BaşlayınÜcretsiz başlayın

Modeli derle ve eğit

Artık 2 çıktılı bir modelin olduğuna göre, onu 2 kayıp işleviyle derle: 'score_diff' için mean absolute error (MAE) ve 'won' için binary cross-entropy (logloss olarak da bilinir). Sonra modeli girdiler olarak 'seed_diff' ve 'pred' ile eğit. Çıktılar için 'score_diff' ve 'won'u tahmin et.

Bu model, maçların skorlarını kullanarak, başa baş geçen maçların (küçük skor farkı) kazanma olasılıklarının, farkın açıldığı maçlara (büyük skor farkı) göre daha düşük olmasını sağlayabilir.

Regresyon problemi, sınıflandırma problemine göre daha kolaydır çünkü MAE, rastgele şanstan kaynaklanan bir kayıp için modeli daha az cezalandırır. Örneğin, score_diff -1 ve won 0 ise, bu team_1in biraz şanssızlık yaşadığını ve tek bir serbest atışla kaybettiğini gösterir. Kolay problem için olan veriler, modelin zor problem için çözüm bulmasına yardımcı olur.

Bu egzersiz, kursun bir parçasıdır

Keras ile İleri Seviye Deep Learning

Kursa Göz Atın

Egzersiz talimatları

  • keras.optimizers içinden Adam'ı içe aktar.
  • Modeli 2 kayıpla derle: 'mean_absolute_error' ve 'binary_crossentropy', ve öğrenme oranı 0.01 olan Adam optimizer'ını kullan.
  • Modeli girdiler olarak 'seed_diff' ve 'pred' sütunları, hedefler olarak 'score_diff' ve 'won' sütunlarıyla eğit.
  • 10 epoch ve 16384 batch size kullan.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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=____)
Kodu Düzenle ve Çalıştır