Een model compileren en fitten

Introductie tot Deep Learning in Python

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Waarom je je model moet compileren

  • Kies de optimizer
    • Veel opties en wiskundig complex
    • "Adam" is meestal een goede keuze
  • Verliesfunctie
    • "mean_squared_error" is gangbaar voor regressie
Introductie tot Deep Learning in Python

Een model compileren

n_cols = predictors.shape[1]
model = Sequential()
model.add(Dense(100, activation='relu', input_shape=(n_cols,)))
model.add(Dense(100, activation='relu'))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mean_squared_error')
Introductie tot Deep Learning in Python

Wat is een model fitten

  • Backpropagation en gradient descent toepassen op je data om de gewichten te updaten
  • Data schalen vóór het fitten kan optimalisatie vergemakkelijken
Introductie tot Deep Learning in Python

Een model fitten

n_cols = predictors.shape[1]
model = Sequential()
model.add(Dense(100, activation='relu', input_shape=(n_cols,)))
model.add(Dense(100, activation='relu'))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(predictors, target)
Introductie tot Deep Learning in Python

Laten we oefenen!

Introductie tot Deep Learning in Python

Preparing Video For Download...