Bygg och träna ett enkelt neuralt nätverk
Nästa modell vi ska lära oss använda är ett neuralt nätverk. Neurala nätverk kan fånga komplexa samband mellan variabler, men kan vara svåra att konfigurera och tolka. På senare tid har de överträffat mänskliga experter inom många områden – bland annat bildigenkänning och spel (ta en titt på AlphaGo) – och har därmed stor potential att prestera väl.
För att bygga våra nätverk använder vi biblioteket keras. Det är ett högnivå-API som gör det möjligt att snabbt skapa neurala nätverk, utan att ge upp kontrollen över designen. Det första vi gör är att skapa ett av de enklaste möjliga nätverken – ett nätverk med 3 lager som tar våra indata och förutsäger ett enda värde. Precis som sklearn-modeller har keras-modeller en .fit()-metod som tar argumenten (features, targets).
Den här övningen är en del av kursen
Maskininlärning för finans i Python
Övningsinstruktioner
- Skapa ett Dense-lager med 20 noder och ReLU-aktivering (
'relu') som det 2\(^{a}\) lagret i det neurala nätverket. - Skapa det sista Dense-lagret med 1 nod och en linjär aktivering (
activation='linear'). - Träna modellen på
scaled_train_featuresochtrain_targets.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
from keras.models import Sequential
from keras.layers import Dense
# Create the model
model_1 = Sequential()
model_1.add(Dense(100, input_dim=scaled_train_features.shape[1], activation='relu'))
model_1.add(Dense(____, activation=____))
model_1.add(Dense(____, activation=____))
# Fit the model
model_1.compile(optimizer='adam', loss='mse')
history = model_1.fit(____, ____, epochs=25)