Kompilowanie i dopasowywanie modelu

Wprowadzenie do uczenia głębokiego w Pythonie

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Dlaczego model wymaga kompilacji

Określenie optymalizatora
- Wiele opcji, matematycznie złożone
- „Adam" to zazwyczaj dobry wybór
Funkcja straty
- „mean_squared_error" — popularna w regresji

Kompilowanie modelu

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')

Czym jest dopasowywanie modelu

Stosowanie propagacji wstecznej i gradientu prostego do aktualizacji wag
Skalowanie danych przed dopasowaniem ułatwia optymalizację

Dopasowywanie modelu

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)

Czas na ćwiczenia!

Wprowadzenie do uczenia głębokiego w Pythonie