建立並訓練一個簡單的神經網路
接下來要學習的模型是神經網路。神經網路能夠捕捉變數之間複雜的互動關係，但在建置與理解上較不容易。近年來，它們在許多領域（包含影像辨識與遊戲對戰，像是 AlphaGo）都擊敗了人類專家，因此很有機會表現優異。
我們會使用 keras 函式庫來建立神經網路。這是一個高階 API，可以讓我們很快做出神經網路，同時仍能對設計保有相當多的控制。首先，我們要建立幾乎是最簡單的網路——一個 3 層的網路，輸入特徵後輸出單一數值。和 sklearn 的模型類似，keras 模型也有 .fit() 方法，參數為 (features, targets)。
本練習屬於課程
Python 金融 Machine Learning
練習說明
- 在神經網路中建立第 2 層 Dense，使用 20 個節點與 ReLU（
'relu'）啟動函式。 - 建立最後一層 Dense，使用 1 個節點並採用線性啟動函式（
activation='linear'）。 - 將模型擬合到
scaled_train_features與train_targets。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
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)