Klassificering och regression i en och samma modell
Nu ska du skapa en annan typ av modell med 2 utdata. Den här gången ska du prediktera poängskillnaden i stället för bägge lagens poäng, och sedan prediktera sannolikheten att lag 1 vann matchen. Det är en riktigt intressant modell – den hanterar både klassificering och regression på en gång!
I den här modellen stänger du av bias, det vill säga interceptet, för varje lager. Dina indata (seed-skillnad och predikterad poängskillnad) har ett medelvärde nära noll, och dina utdata har båda medelvärden nära noll – därför behöver modellen troligen inte bias-termen för att passa data väl.
Den här övningen är en del av kursen
Avancerad djupinlärning med Keras
Övningsinstruktioner
- Skapa ett enda indatalager med 2 kolumner.
- Det första utdatalagret ska ha 1 enhet med
'linear'-aktivering och ingen bias-term. - Det andra utdatalagret ska ha 1 enhet med
'sigmoid'-aktivering och ingen bias-term. Använd också det första utdatalagret som indata till detta lager. - Skapa en modell med dessa indata och utdata.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create an input layer with 2 columns
input_tensor = ____
# Create the first output
output_tensor_1 = ____(____, activation=____, use_bias=____)(____)
# Create the second output (use the first output as input here)
output_tensor_2 = ____(____, activation=____, use_bias=____)(____)
# Create a model with 2 outputs
model = ____(____, [____, ____])