Sista stegen i klassificeringsmodeller

Nu ska du skapa en klassificeringsmodell med Titanic-datamängden, som redan har laddats in i en DataFrame kallad df. Du använder information om passagerarna för att förutsäga vilka som överlevde.

De prediktiva variablerna finns i en NumPy-array kallad predictors. Målvariabeln finns i df.survived, men du behöver anpassa den för Keras. Antalet prediktiva särdrag finns lagrat i n_cols.

Här använder du optimeraren 'sgd', som står för Stochastic Gradient Descent. Du lär dig mer om detta i nästa kapitel!

Den här övningen är en del av kursen

Introduktion till djupinlärning i Python

Visa kurs

Övningsinstruktioner

Konvertera df.survived till en kategorisk variabel med funktionen to_categorical().
Skapa en Sequential-modell och kalla den model.
Lägg till ett Dense-lager med 32 noder. Använd 'relu' som activation och (n_cols,) som input_shape.
Lägg till utdata-lagret av typen Dense. Eftersom det finns två möjliga utfall ska det ha 2 noder, och eftersom det är en klassificeringsmodell ska activation vara 'softmax'.
Kompilera modellen med 'sgd' som optimizer, 'categorical_crossentropy' som förlustfunktion och metrics=['accuracy'] för att se träffsäkerheten – det vill säga andelen korrekta förutsägelser – i slutet av varje epok.
Träna modellen med predictors och target.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential
from tensorflow.keras.utils import to_categorical

# Convert the target to categorical: target
target = ____

# Set up the model
model = ____

# Add the first layer
____

# Add the output layer
____

# Compile the model
____

# Fit the model
____

Redigera och kör kod