编译并拟合模型

现在已有一个包含 2 个输出的模型，请为其配置 2 个损失函数：'score_diff' 使用平均绝对误差（MAE），'won' 使用二元交叉熵（也称为对数损失 logloss）。然后以 'seed_diff' 和 'pred' 作为输入来拟合模型。输出端预测 'score_diff' 和 'won'。

该模型可以利用比赛的分差，确保比分接近的比赛（分差小）对应更低的胜率，而大比分（分差大）对应更高的胜率。

回归问题通常比分类问题更容易，因为 MAE 对由于随机因素导致的误差惩罚更轻。比如，若 score_diff 为 -1 且 won 为 0，表示 team_1 运气不佳，只以一次罚球之差惜败。这个相对容易的问题的数据有助于模型找到更难问题的解。

本练习是课程的一部分

使用 Keras 的高级深度学习

查看课程

练习说明

从 keras.optimizers 导入 Adam。
使用 2 个损失函数编译模型：'mean_absolute_error' 和 'binary_crossentropy'，并使用学习率为 0.01 的 Adam 优化器。
以 'seed_diff' 和 'pred' 两列作为输入，以 'score_diff' 和 'won' 两列作为目标来拟合模型。
使用 10 个 epoch，批量大小设为 16384。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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=____)

编辑并运行代码