เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การฝึกโมเดลแบบหลาย label

ผลลัพธ์จาก model แบบ multi-label ของคุณอาจมีหน้าตาแบบนี้: [0.76 , 0.99 , 0.66 ] หากปัดค่าความน่าจะเป็นที่สูงกว่า 0.5 ขึ้น ข้อมูลนี้จะถูกจัดว่ามีครบทั้ง 3 label ที่เป็นไปได้ [1,1,1] สำหรับปัญหานี้ หมายความว่าโครงข่ายประสาทเทียมแนะนำให้รดน้ำแปลงเกษตรทั้ง 3 แปลง โดยอิงจากค่าที่เซ็นเซอร์วัดได้

คราวนี้จะได้ฝึกและพยากรณ์ด้วย model ที่สร้างไว้ sensors_train, parcels_train, sensors_test และ parcels_test โหลดไว้ให้แล้ว

มาดูกันว่าระบบอัจฉริยะที่สร้างขึ้นทำงานได้ดีแค่ไหน!

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning เบื้องต้นด้วย Keras

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ฝึกโมเดลเป็นจำนวน 100 epochs โดยใช้ validation_split ที่ 0.2
  • พยากรณ์ด้วย model โดยใช้ข้อมูลทดสอบ
  • ปัดเศษค่า preds ด้วย np.round()
  • ประเมินความแม่นยำของโมเดลบนข้อมูลทดสอบ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)
แก้ไขและรันโค้ด