Flerklassproblem
I den här övningen går vi bortom binär klassificering och utforskar flerklassproblem. Ett flerklassroblem har målvärden som kan anta tre eller fler värden. I kreditkortsdatamängden kan variabeln education anta 6 olika värden, vart och ett motsvarande en utbildningsnivå. Det är den vi använder som mål i den här övningen, och vi utökar också antalet features från 3 till 10 kolumner.
Precis som i föregående uppgift definierar du ett indatalager, täta lager och ett utdatalager. Du skriver även ut den otränade modellens förutsägelser, det vill säga sannolikheter tilldelade de olika klasserna. Tensorn med features är inläst och tillgänglig som borrower_features. Operationerna constant(), float32 och keras.layers.Dense() finns också tillgängliga.
Den här övningen är en del av kursen
Introduktion till TensorFlow i Python
Övningsinstruktioner
- Definiera indatalagret som en 32-bitars konstanttensor med hjälp av
borrower_features. - Ange att det första täta lagret ska ha 10 utdatanoder och aktiveringsfunktionen
sigmoid. - Ange att det andra täta lagret ska ha 8 utdatanoder och aktiveringsfunktionen rectified linear unit.
- Ange att utdatalagret ska ha 6 utdatanoder och den lämpliga aktiveringsfunktionen.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Construct input layer from borrower features
inputs = ____
# Define first dense layer
dense1 = keras.layers.Dense(____, activation='____')(inputs)
# Define second dense layer
dense2 = ____
# Define output layer
outputs = ____
# Print first five predictions
print(outputs.numpy()[:5])