ПочатиПочніть безкоштовно

Скомпілюйте та натренуйте модель

Тепер, коли у вас є модель з 2 виходами, скомпілюйте її з 2 функціями втрат: середня абсолютна похибка (MAE) для 'score_diff' і бінарна кросентропія (також відома як logloss) для 'won'. Потім натренуйте модель з 'seed_diff' та 'pred' як вхідними даними. Як виходи, передбачайте 'score_diff' і 'won'.

Ця модель може використовувати рахунки ігор, щоб гарантувати, що в рівних матчах (мала різниця в рахунку) імовірність перемоги нижча, ніж у випадку розгромів (велика різниця в рахунку).

Завдання регресії простіше за класифікацію, оскільки MAE менше карає модель за програш через випадковість. Наприклад, якщо score_diff дорівнює -1, а won — 0, це означає, що team_1 не пощастило і вона програла одним штрафним. Дані для простішого завдання допомагають моделі знайти розв'язок для складнішого.

Ця вправа є частиною курсу

Просунуте глибоке навчання з Keras

Переглянути курс

Інструкції до вправи

  • Імпортуйте Adam з keras.optimizers.
  • Скомпілюйте модель із 2 втратами: 'mean_absolute_error' і 'binary_crossentropy', та використайте оптимізатор Adam зі швидкістю навчання 0.01.
  • Натренуйте модель, використавши стовпці 'seed_diff' і 'pred' як вхідні дані та стовпці 'score_diff' і 'won' як цільові.
  • Використайте 10 епох і розмір пакета 16384.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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=____)
Редагувати та запускати код