เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Compile และ fit โมเดล

เมื่อมีโมเดลที่มี 2 outputs แล้ว ให้ compile โดยใช้ฟังก์ชัน loss 2 ตัว ได้แก่ mean absolute error (MAE) สำหรับ 'score_diff' และ binary cross-entropy (หรือที่รู้จักในชื่อ logloss) สำหรับ 'won' จากนั้น fit โมเดลโดยใช้ 'seed_diff' และ 'pred' เป็น inputs และทำนาย 'score_diff' กับ 'won' เป็น outputs

โมเดลนี้สามารถใช้คะแนนของการแข่งขันเพื่อให้แน่ใจว่าเกมที่สูสี (score diff น้อย) มีความน่าจะเป็นในการชนะต่ำกว่าเกมที่ทีมหนึ่งชนะขาด (score diff มาก)

ปัญหา regression นั้นง่ายกว่าปัญหา classification เนื่องจาก MAE ลงโทษโมเดลน้อยกว่าเมื่อแพ้เพราะโชคไม่ดี ตัวอย่างเช่น หาก score_diff เท่ากับ -1 และ won เท่ากับ 0 หมายความว่า team_1 โชคร้ายและแพ้ด้วยการโยนโทษเพียงครั้งเดียว ข้อมูลจากปัญหาที่ง่ายกว่าช่วยให้โมเดลหาคำตอบสำหรับปัญหาที่ยากขึ้นได้

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning ขั้นสูงด้วย Keras

ดูคอร์ส

คำแนะนำการฝึกหัด

  • import Adam จาก keras.optimizers
  • Compile โมเดลด้วย loss 2 ตัว ได้แก่ 'mean_absolute_error' และ 'binary_crossentropy' พร้อมใช้ Adam optimizer ที่มี learning rate เท่ากับ 0.01
  • Fit โมเดลโดยใช้คอลัมน์ 'seed_diff' และ 'pred' เป็น inputs และคอลัมน์ 'score_diff' กับ 'won' เป็น targets
  • ใช้จำนวน 10 epochs และ batch size เท่ากับ 16384

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import the Adam optimizer
____

# Compile the model with 2 losses and the Adam optimzer with a higher learning rate
model.____(loss=['____', '____'], optimizer=____)

# Fit the model to the tournament training data, with 2 inputs and 2 outputs
model.____(games_tourney_train[['____', '____']],
          [games_tourney_train[['____']], games_tourney_train[['____']]],
          epochs=____,
          verbose=True,
          batch_size=____)
แก้ไขและรันโค้ด