Utvärdera modellens noggrannhet på valideringsdataset

Nu är det din tur att övervaka modellens noggrannhet med ett valideringsdataset. En modelldefinition har angetts som model. Din uppgift är att lägga till koden för att kompilera och sedan träna den. Du kontrollerar valideringsresultatet för varje epok.

Den här övningen är en del av kursen

Introduktion till djupinlärning i Python

Visa kurs

Övningsinstruktioner

Kompilera din modell med 'adam' som optimizer och 'categorical_crossentropy' som loss. För att se hur stor andel av förutsägelserna som är korrekta (accuracy) i varje epok, lägg till nyckelordsargumentet metrics=['accuracy'] i model.compile().
Träna modellen med predictors och target. Skapa en valideringsdelning på 30 % (eller 0.3). Detta rapporteras för varje epok.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]
input_shape = (n_cols,)

# Specify the model
model = Sequential()
model.add(Dense(100, activation='relu', input_shape = input_shape))
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='softmax'))

# Compile the model
____

# Fit the model
hist = ____

Redigera och kör kod