Kom igångKom igång gratis

Träning med flera etiketter

Ett resultat från din fleretikett-model kan se ut så här: [0.76 , 0.99 , 0.66 ]. Om vi avrundar sannolikheter över 0,5 klassificeras denna observation som att den innehåller alla 3 möjliga etiketter [1,1,1]. För just det här problemet innebär det att nätverket, baserat på sensorernas mätvärden, rekommenderar att vattna alla 3 parceller på din gård.

Nu ska du träna modellen och göra förutsägelser med den model du precis byggde. sensors_train, parcels_train, sensors_test och parcels_test är redan inlästa och redo att användas.

Låt oss se hur väl din intelligenta maskin presterar!

Den här övningen är en del av kursen

Introduktion till djupinlärning med Keras

Visa kurs

Övningsinstruktioner

  • Träna modellen i 100 epochs med en validation_split på 0,2.
  • Gör förutsägelser med din model på testdatan.
  • Avrunda dina preds med np.round().
  • Utvärdera modellens träffsäkerhet på testdatan.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Train for 100 epochs using a validation split of 0.2
____.____(____, ____, epochs = ____, validation_split = ____)

# Predict on sensors_test and round up the predictions
preds = ____.____(____)
preds_rounded = np.round(____)

# Print rounded preds
print('Rounded Predictions: \n', preds_rounded)

# Evaluate your model's accuracy on the test data
accuracy = model.evaluate(____, ____)[1]

# Print accuracy
print('Accuracy:', accuracy)
Redigera och kör kod