สร้างและฝึก neural network อย่างง่าย
โมเดลถัดไปที่จะเรียนรู้คือ neural network ซึ่งสามารถจับความสัมพันธ์ที่ซับซ้อนระหว่างตัวแปรได้ แต่ก็ต้องใช้ความเข้าใจในการออกแบบพอสมควร ในช่วงที่ผ่านมา neural network สามารถทำได้ดีกว่าผู้เชี่ยวชาญในหลายสาขา ทั้งการจดจำภาพและการเล่นเกม (ลองดู AlphaGo เป็นตัวอย่าง) จึงมีศักยภาพสูงมากในการนำไปใช้งาน
ในการสร้าง neural network เราจะใช้ไลบรารี keras ซึ่งเป็น API ระดับสูงที่ช่วยให้สร้าง neural network ได้รวดเร็ว พร้อมทั้งยังควบคุมการออกแบบได้อย่างละเอียด สิ่งแรกที่จะทำคือสร้างโมเดลที่เรียบง่ายที่สุดแบบหนึ่ง ได้แก่ โครงข่าย 3 ชั้นที่รับ features เป็น input และทำนายค่าเพียงค่าเดียว เช่นเดียวกับโมเดลใน sklearn โมเดลของ keras มีเมธอด .fit() ที่รับ arguments เป็น (features, targets)
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Machine Learning สำหรับการเงินด้วย Python
คำแนะนำการฝึกหัด
- สร้าง dense layer ที่มี 20 nodes และใช้ ReLU activation (
'relu') เป็นชั้นที่ 2 ของ neural network - สร้าง dense layer สุดท้ายที่มี 1 node และใช้ linear activation (
activation='linear') - Fit โมเดลกับ
scaled_train_featuresและtrain_targets
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
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)