 ดูบน TensorFlow.org |  ทำงานใน Google Colab |  ดูแหล่งที่มาบน GitHub |  ดาวน์โหลดโน๊ตบุ๊ค |
บทช่วยสอนนี้สาธิตวิธีการจัดประเภทข้อมูลที่มีโครงสร้าง (เช่น ข้อมูลแบบตารางใน CSV) เราจะใช้ Keras เพื่อกำหนดโมเดล และ tf.feature_column เป็นสะพานเชื่อมไปยังแมปจากคอลัมน์ใน CSV กับฟีเจอร์ที่ใช้ในการฝึกโมเดล บทช่วยสอนนี้มีรหัสที่สมบูรณ์เพื่อ:
- โหลดไฟล์ CSV โดยใช้ Pandas
- สร้างไพพ์ไลน์อินพุตเพื่อแบทช์และสับเปลี่ยนแถวโดยใช้ tf.data
- แมปจากคอลัมน์ใน CSV ไปยังจุดสนใจที่ใช้ในการฝึกโมเดลโดยใช้คอลัมน์คุณลักษณะ
- สร้าง ฝึกฝน และประเมินโมเดลโดยใช้ Keras
ชุดข้อมูล
เราจะใช้ ชุดข้อมูล PetFinder รุ่นที่เรียบง่าย CSV มีหลายพันแถว แต่ละแถวอธิบายสัตว์เลี้ยง และแต่ละคอลัมน์อธิบายแอตทริบิวต์ เราจะใช้ข้อมูลนี้เพื่อคาดการณ์ความเร็วที่สัตว์เลี้ยงจะถูกรับเลี้ยง
ต่อไปนี้เป็นคำอธิบายของชุดข้อมูลนี้ สังเกตว่ามีทั้งคอลัมน์ตัวเลขและหมวดหมู่ มีคอลัมน์ข้อความฟรีซึ่งเราจะไม่ใช้ในบทช่วยสอนนี้
| คอลัมน์ | คำอธิบาย | ประเภทคุณสมบัติ | ประเภทข้อมูล |
|---|---|---|---|
| พิมพ์ | ประเภทสัตว์ (สุนัข แมว) | หมวดหมู่ | สตริง |
| อายุ | อายุของสัตว์เลี้ยง | ตัวเลข | จำนวนเต็ม |
| พันธุ์1 | สายพันธุ์หลักของสัตว์เลี้ยง | หมวดหมู่ | สตริง |
| สี1 | สี 1 ของสัตว์เลี้ยง | หมวดหมู่ | สตริง |
| Color2 | สีที่ 2 ของสัตว์เลี้ยง | หมวดหมู่ | สตริง |
| ขนาดครบกำหนด | ขนาดเมื่อครบกำหนด | หมวดหมู่ | สตริง |
| ความยาวขน | ความยาวขน | หมวดหมู่ | สตริง |
| ฉีดวัคซีนแล้ว | สัตว์เลี้ยงได้รับการฉีดวัคซีน | หมวดหมู่ | สตริง |
| ฆ่าเชื้อ | สัตว์เลี้ยงได้รับการฆ่าเชื้อ | หมวดหมู่ | สตริง |
| สุขภาพ | เงื่อนไขสุขภาพ | หมวดหมู่ | สตริง |
| ค่าธรรมเนียม | ค่าธรรมเนียมการรับเลี้ยงบุตรบุญธรรม | ตัวเลข | จำนวนเต็ม |
| คำอธิบาย | การเขียนโปรไฟล์สำหรับสัตว์เลี้ยงตัวนี้ | ข้อความ | สตริง |
| PhotoAmt | รูปที่อัพโหลดทั้งหมดสำหรับสัตว์เลี้ยงตัวนี้ | ตัวเลข | จำนวนเต็ม |
| การยอมรับความเร็ว | ความเร็วในการนำไปใช้ | การจำแนกประเภท | จำนวนเต็ม |
นำเข้า TensorFlow และไลบรารีอื่นๆ
pip install sklearn
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import feature_column
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
ใช้ Pandas เพื่อสร้าง dataframe
Pandas เป็นไลบรารี Python ที่มียูทิลิตี้ที่เป็นประโยชน์มากมายสำหรับการโหลดและทำงานกับข้อมูลที่มีโครงสร้าง เราจะใช้ Pandas เพื่อดาวน์โหลดชุดข้อมูลจาก URL และโหลดลงใน dataframe
import pathlib
dataset_url = 'http://storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file('petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.')
dataframe = pd.read_csv(csv_file)
Downloading data from http://storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip 1671168/1668792 [==============================] - 0s 0us/step 1679360/1668792 [==============================] - 0s 0us/step
dataframe.head()
สร้างตัวแปรเป้าหมาย
งานในชุดข้อมูลเดิมคือการคาดการณ์ความเร็วที่สัตว์เลี้ยงจะถูกนำมาใช้ (เช่น ในสัปดาห์แรก เดือนแรก 3 เดือนแรก เป็นต้น) มาทำให้สิ่งนี้ง่ายขึ้นสำหรับบทช่วยสอนของเรา ในที่นี้ เราจะแปลงสิ่งนี้ให้เป็นปัญหาการจำแนกเลขฐานสอง และเพียงคาดเดาว่าสัตว์เลี้ยงนั้นถูกรับเลี้ยงหรือไม่
หลังจากแก้ไขคอลัมน์ป้ายกำกับแล้ว 0 จะระบุว่าสัตว์เลี้ยงไม่ได้ถูกรับเลี้ยง และ 1 จะระบุว่าเป็นสัตว์เลี้ยง
# In the original dataset "4" indicates the pet was not adopted.
dataframe['target'] = np.where(dataframe['AdoptionSpeed']==4, 0, 1)
# Drop un-used columns.
dataframe = dataframe.drop(columns=['AdoptionSpeed', 'Description'])
แบ่ง dataframe เป็น train, validation และ test
ชุดข้อมูลที่เราดาวน์โหลดเป็นไฟล์ CSV ไฟล์เดียว เราจะแยกสิ่งนี้ออกเป็นชุดฝึก การตรวจสอบ และชุดทดสอบ
train, test = train_test_split(dataframe, test_size=0.2)
train, val = train_test_split(train, test_size=0.2)
print(len(train), 'train examples')
print(len(val), 'validation examples')
print(len(test), 'test examples')
7383 train examples 1846 validation examples 2308 test examples
สร้างไพพ์ไลน์อินพุตโดยใช้ tf.data
ต่อไป เราจะห่อ dataframes ด้วย tf.data ซึ่งจะช่วยให้เราใช้คอลัมน์คุณลักษณะเป็นสะพานเชื่อมระหว่างคอลัมน์ในดาต้าเฟรมของ Pandas กับคุณลักษณะที่ใช้ในการฝึกโมเดล หากเราทำงานกับไฟล์ CSV ขนาดใหญ่มาก (ใหญ่จนไม่พอดีกับหน่วยความจำ) เราจะใช้ tf.data เพื่ออ่านจากดิสก์โดยตรง ที่ไม่ครอบคลุมในบทช่วยสอนนี้
# A utility method to create a tf.data dataset from a Pandas Dataframe
def df_to_dataset(dataframe, shuffle=True, batch_size=32):
dataframe = dataframe.copy()
labels = dataframe.pop('target')
ds = tf.data.Dataset.from_tensor_slices((dict(dataframe), labels))
if shuffle:
ds = ds.shuffle(buffer_size=len(dataframe))
ds = ds.batch(batch_size)
return ds
batch_size = 5 # A small batch sized is used for demonstration purposes
train_ds = df_to_dataset(train, batch_size=batch_size)
val_ds = df_to_dataset(val, shuffle=False, batch_size=batch_size)
test_ds = df_to_dataset(test, shuffle=False, batch_size=batch_size)
ทำความเข้าใจกับไปป์ไลน์อินพุต
ตอนนี้เราได้สร้างไพพ์ไลน์อินพุตแล้ว ให้เรียกมันว่าเพื่อดูรูปแบบของข้อมูลที่ส่งคืน เราใช้ขนาดแบทช์ขนาดเล็กเพื่อให้เอาต์พุตสามารถอ่านได้
for feature_batch, label_batch in train_ds.take(1):
print('Every feature:', list(feature_batch.keys()))
print('A batch of ages:', feature_batch['Age'])
print('A batch of targets:', label_batch )
Every feature: ['Type', 'Age', 'Breed1', 'Gender', 'Color1', 'Color2', 'MaturitySize', 'FurLength', 'Vaccinated', 'Sterilized', 'Health', 'Fee', 'PhotoAmt'] A batch of ages: tf.Tensor([ 6 2 36 2 2], shape=(5,), dtype=int64) A batch of targets: tf.Tensor([1 1 1 1 1], shape=(5,), dtype=int64)
เราจะเห็นว่าชุดข้อมูลส่งคืนพจนานุกรมของชื่อคอลัมน์ (จาก dataframe) ที่จับคู่กับค่าของคอลัมน์จากแถวใน dataframe
แสดงคอลัมน์คุณลักษณะหลายประเภท
TensorFlow มีคอลัมน์คุณลักษณะหลายประเภท ในส่วนนี้ เราจะสร้างคอลัมน์คุณลักษณะหลายประเภท และสาธิตวิธีการแปลงคอลัมน์จากดาต้าเฟรม
# We will use this batch to demonstrate several types of feature columns
example_batch = next(iter(train_ds))[0]
# A utility method to create a feature column
# and to transform a batch of data
def demo(feature_column):
feature_layer = layers.DenseFeatures(feature_column)
print(feature_layer(example_batch).numpy())
คอลัมน์ตัวเลข
เอาต์พุตของคอลัมน์คุณลักษณะจะกลายเป็นอินพุตของโมเดล (โดยใช้ฟังก์ชันสาธิตที่กำหนดไว้ข้างต้น เราจะสามารถเห็นได้อย่างชัดเจนว่าแต่ละคอลัมน์จาก dataframe ถูกแปลงอย่างไร) คอลัมน์ตัวเลขเป็นคอลัมน์ ประเภทที่ง่ายที่สุด มันถูกใช้เพื่อแสดงถึงคุณสมบัติอันทรงคุณค่าที่แท้จริง เมื่อใช้คอลัมน์นี้ โมเดลของคุณจะได้รับค่าคอลัมน์จาก dataframe ไม่เปลี่ยนแปลง
photo_count = feature_column.numeric_column('PhotoAmt')
demo(photo_count)
[[2.] [4.] [4.] [1.] [2.]]
ในชุดข้อมูล PetFinder คอลัมน์ส่วนใหญ่จากดาต้าเฟรมจัดเป็นหมวดหมู่
คอลัมน์ที่ฝากข้อมูล
บ่อยครั้ง คุณไม่ต้องการป้อนตัวเลขลงในแบบจำลองโดยตรง แต่ให้แบ่งค่าออกเป็นหมวดหมู่ต่างๆ ตามช่วงตัวเลข พิจารณาข้อมูลดิบที่แสดงถึงอายุของบุคคล แทนที่จะแสดงอายุเป็นคอลัมน์ตัวเลข เราสามารถแบ่งอายุออกเป็นหลายกลุ่มโดยใช้ คอลัมน์ ในที่เก็บข้อมูล สังเกตค่า one-hot ด้านล่างเพื่ออธิบายว่าช่วงอายุใดที่แต่ละแถวตรงกัน
age = feature_column.numeric_column('Age')
age_buckets = feature_column.bucketized_column(age, boundaries=[1, 3, 5])
demo(age_buckets)
[[0. 0. 0. 1.] [0. 1. 0. 0.] [0. 0. 0. 1.] [0. 0. 1. 0.] [0. 1. 0. 0.]]
คอลัมน์หมวดหมู่
ในชุดข้อมูลนี้ Type จะแสดงเป็นสตริง (เช่น 'Dog' หรือ 'Cat') เราไม่สามารถป้อนสตริงโดยตรงไปยังโมเดล เราต้องแมปพวกมันกับค่าตัวเลขก่อน คอลัมน์คำศัพท์ตามหมวดหมู่เป็นวิธีแสดงสตริงเป็นเวกเตอร์ยอดนิยม (เหมือนกับที่คุณเคยเห็นด้านบนกับกลุ่มอายุ) คำศัพท์สามารถส่งผ่านเป็นรายการได้โดยใช้ categorical_column_with_vocabulary_list หรือโหลดจากไฟล์โดยใช้ categorical_column_with_vocabulary_file
animal_type = feature_column.categorical_column_with_vocabulary_list(
'Type', ['Cat', 'Dog'])
animal_type_one_hot = feature_column.indicator_column(animal_type)
demo(animal_type_one_hot)
[[1. 0.] [1. 0.] [1. 0.] [1. 0.] [0. 1.]]
การฝังคอลัมน์
สมมติว่าแทนที่จะมีสตริงที่เป็นไปได้เพียงเล็กน้อย เรามีค่าเป็นพันๆ (หรือมากกว่า) ต่อหมวดหมู่ ด้วยเหตุผลหลายประการ เนื่องจากจำนวนหมวดหมู่มีจำนวนมากขึ้น จึงเป็นไปไม่ได้ที่จะฝึกโครงข่ายประสาทเทียมโดยใช้การเข้ารหัสแบบ one-hot เราสามารถใช้คอลัมน์ฝังตัวเพื่อเอาชนะข้อจำกัดนี้ได้ แทนที่จะแสดงข้อมูลเป็นเวกเตอร์ร้อนเดียวในหลายมิติ คอลัมน์ที่ฝังจะ แสดงข้อมูลนั้นเป็นเวกเตอร์ที่มีมิติต่ำกว่าและหนาแน่น ซึ่งแต่ละเซลล์สามารถมีตัวเลขใดๆ ได้ ไม่ใช่แค่ 0 หรือ 1 เท่านั้น ขนาดของการฝัง ( 8 ในตัวอย่างด้านล่าง) เป็นพารามิเตอร์ที่ต้องปรับ
# Notice the input to the embedding column is the categorical column
# we previously created
breed1 = feature_column.categorical_column_with_vocabulary_list(
'Breed1', dataframe.Breed1.unique())
breed1_embedding = feature_column.embedding_column(breed1, dimension=8)
demo(breed1_embedding)
[[-0.22380038 -0.09379731 0.21349265 0.33451992 -0.49730566 0.05174963 0.2668497 0.27391028] [-0.5484653 -0.03492585 0.05648395 -0.09792244 0.02530896 -0.15477926 -0.10695003 -0.45474145] [-0.22380038 -0.09379731 0.21349265 0.33451992 -0.49730566 0.05174963 0.2668497 0.27391028] [ 0.10050306 0.43513173 0.375823 0.5652766 0.40925583 -0.03928828 0.4901914 0.20637617] [-0.2319875 -0.21874283 0.12272807 0.33345345 -0.4563055 0.21609035 -0.2410521 0.4736915 ]]ตัวยึดตำแหน่ง22
คอลัมน์คุณลักษณะที่แฮช
อีกวิธีในการแสดงคอลัมน์หมวดหมู่ที่มีค่าจำนวนมากคือการใช้ categorical_column_with_hash_bucket คอลัมน์คุณลักษณะนี้จะคำนวณค่าแฮชของอินพุต จากนั้นเลือกที่เก็บข้อมูล hash_bucket_size อันใดอันหนึ่งเพื่อเข้ารหัสสตริง เมื่อใช้คอลัมน์นี้ คุณไม่จำเป็นต้องจัดเตรียมคำศัพท์ และคุณสามารถเลือกที่จะทำให้จำนวน hash_buckets น้อยกว่าจำนวนหมวดหมู่จริงอย่างมากเพื่อประหยัดพื้นที่
breed1_hashed = feature_column.categorical_column_with_hash_bucket(
'Breed1', hash_bucket_size=10)
demo(feature_column.indicator_column(breed1_hashed))
[[0. 0. 0. 0. 0. 0. 0. 0. 0. 1.] [0. 0. 0. 0. 0. 0. 0. 1. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 0. 0. 1.] [0. 0. 0. 0. 0. 0. 1. 0. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]]
ข้ามคอลัมน์คุณลักษณะ
การรวมคุณลักษณะต่างๆ ไว้ในคุณลักษณะเดียว ซึ่งรู้จักกันดีในชื่อ feature crosses ทำให้โมเดลสามารถเรียนรู้น้ำหนักที่แยกจากกันสำหรับการผสมผสานของคุณลักษณะแต่ละอย่าง ที่นี่ เราจะสร้างคุณสมบัติใหม่ที่ข้ามระหว่างอายุและประเภท โปรดทราบว่า crossed_column ไม่ได้สร้างตารางแบบเต็มของชุดค่าผสมที่เป็นไปได้ทั้งหมด (ซึ่งอาจมีขนาดใหญ่มาก) แต่ได้รับการสนับสนุนโดย hashed_column ดังนั้นคุณสามารถเลือกขนาดของตารางได้
crossed_feature = feature_column.crossed_column([age_buckets, animal_type], hash_bucket_size=10)
demo(feature_column.indicator_column(crossed_feature))
[[1. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [0. 0. 0. 1. 0. 0. 0. 0. 0. 0.] [1. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.] [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]]
เลือกคอลัมน์ที่จะใช้
เราได้เห็นวิธีการใช้คอลัมน์คุณลักษณะหลายประเภทแล้ว ตอนนี้เราจะใช้มันเพื่อฝึกโมเดล เป้าหมายของบทช่วยสอนนี้คือการแสดงโค้ดที่สมบูรณ์ (เช่น กลไก) ที่จำเป็นสำหรับการทำงานกับคอลัมน์คุณลักษณะ เราได้เลือกคอลัมน์สองสามคอลัมน์เพื่อฝึกโมเดลของเราด้านล่างโดยพลการ
feature_columns = []
# numeric cols
for header in ['PhotoAmt', 'Fee', 'Age']:
feature_columns.append(feature_column.numeric_column(header))
# bucketized cols
age = feature_column.numeric_column('Age')
age_buckets = feature_column.bucketized_column(age, boundaries=[1, 2, 3, 4, 5])
feature_columns.append(age_buckets)
# indicator_columns
indicator_column_names = ['Type', 'Color1', 'Color2', 'Gender', 'MaturitySize',
'FurLength', 'Vaccinated', 'Sterilized', 'Health']
for col_name in indicator_column_names:
categorical_column = feature_column.categorical_column_with_vocabulary_list(
col_name, dataframe[col_name].unique())
indicator_column = feature_column.indicator_column(categorical_column)
feature_columns.append(indicator_column)
# embedding columns
breed1 = feature_column.categorical_column_with_vocabulary_list(
'Breed1', dataframe.Breed1.unique())
breed1_embedding = feature_column.embedding_column(breed1, dimension=8)
feature_columns.append(breed1_embedding)
# crossed columns
age_type_feature = feature_column.crossed_column([age_buckets, animal_type], hash_bucket_size=100)
feature_columns.append(feature_column.indicator_column(age_type_feature))
สร้างคุณสมบัติเลเยอร์
ตอนนี้เราได้กำหนดคอลัมน์คุณลักษณะแล้ว เราจะใช้เลเยอร์ DenseFeatures เพื่อป้อนข้อมูลลงในโมเดล Keras ของเรา
feature_layer = tf.keras.layers.DenseFeatures(feature_columns)
ก่อนหน้านี้ เราใช้แบทช์ขนาดเล็กเพื่อสาธิตวิธีการทำงานของคอลัมน์คุณลักษณะ เราสร้างไปป์ไลน์อินพุตใหม่ด้วยขนาดแบทช์ที่ใหญ่ขึ้น
batch_size = 32
train_ds = df_to_dataset(train, batch_size=batch_size)
val_ds = df_to_dataset(val, shuffle=False, batch_size=batch_size)
test_ds = df_to_dataset(test, shuffle=False, batch_size=batch_size)
สร้าง รวบรวม และฝึกโมเดล
model = tf.keras.Sequential([
feature_layer,
layers.Dense(128, activation='relu'),
layers.Dense(128, activation='relu'),
layers.Dropout(.1),
layers.Dense(1)
])
model.compile(optimizer='adam',
loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
metrics=['accuracy'])
model.fit(train_ds,
validation_data=val_ds,
epochs=10)
Epoch 1/10
WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor. Received: inputs={'Type': <tf.Tensor 'IteratorGetNext:11' shape=(None,) dtype=string>, 'Age': <tf.Tensor 'IteratorGetNext:0' shape=(None,) dtype=int64>, 'Breed1': <tf.Tensor 'IteratorGetNext:1' shape=(None,) dtype=string>, 'Gender': <tf.Tensor 'IteratorGetNext:6' shape=(None,) dtype=string>, 'Color1': <tf.Tensor 'IteratorGetNext:2' shape=(None,) dtype=string>, 'Color2': <tf.Tensor 'IteratorGetNext:3' shape=(None,) dtype=string>, 'MaturitySize': <tf.Tensor 'IteratorGetNext:8' shape=(None,) dtype=string>, 'FurLength': <tf.Tensor 'IteratorGetNext:5' shape=(None,) dtype=string>, 'Vaccinated': <tf.Tensor 'IteratorGetNext:12' shape=(None,) dtype=string>, 'Sterilized': <tf.Tensor 'IteratorGetNext:10' shape=(None,) dtype=string>, 'Health': <tf.Tensor 'IteratorGetNext:7' shape=(None,) dtype=string>, 'Fee': <tf.Tensor 'IteratorGetNext:4' shape=(None,) dtype=int64>, 'PhotoAmt': <tf.Tensor 'IteratorGetNext:9' shape=(None,) dtype=int64>}. Consider rewriting this model with the Functional API.
WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor. Received: inputs={'Type': <tf.Tensor 'IteratorGetNext:11' shape=(None,) dtype=string>, 'Age': <tf.Tensor 'IteratorGetNext:0' shape=(None,) dtype=int64>, 'Breed1': <tf.Tensor 'IteratorGetNext:1' shape=(None,) dtype=string>, 'Gender': <tf.Tensor 'IteratorGetNext:6' shape=(None,) dtype=string>, 'Color1': <tf.Tensor 'IteratorGetNext:2' shape=(None,) dtype=string>, 'Color2': <tf.Tensor 'IteratorGetNext:3' shape=(None,) dtype=string>, 'MaturitySize': <tf.Tensor 'IteratorGetNext:8' shape=(None,) dtype=string>, 'FurLength': <tf.Tensor 'IteratorGetNext:5' shape=(None,) dtype=string>, 'Vaccinated': <tf.Tensor 'IteratorGetNext:12' shape=(None,) dtype=string>, 'Sterilized': <tf.Tensor 'IteratorGetNext:10' shape=(None,) dtype=string>, 'Health': <tf.Tensor 'IteratorGetNext:7' shape=(None,) dtype=string>, 'Fee': <tf.Tensor 'IteratorGetNext:4' shape=(None,) dtype=int64>, 'PhotoAmt': <tf.Tensor 'IteratorGetNext:9' shape=(None,) dtype=int64>}. Consider rewriting this model with the Functional API.
231/231 [==============================] - ETA: 0s - loss: 0.6759 - accuracy: 0.6802WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor. Received: inputs={'Type': <tf.Tensor 'IteratorGetNext:11' shape=(None,) dtype=string>, 'Age': <tf.Tensor 'IteratorGetNext:0' shape=(None,) dtype=int64>, 'Breed1': <tf.Tensor 'IteratorGetNext:1' shape=(None,) dtype=string>, 'Gender': <tf.Tensor 'IteratorGetNext:6' shape=(None,) dtype=string>, 'Color1': <tf.Tensor 'IteratorGetNext:2' shape=(None,) dtype=string>, 'Color2': <tf.Tensor 'IteratorGetNext:3' shape=(None,) dtype=string>, 'MaturitySize': <tf.Tensor 'IteratorGetNext:8' shape=(None,) dtype=string>, 'FurLength': <tf.Tensor 'IteratorGetNext:5' shape=(None,) dtype=string>, 'Vaccinated': <tf.Tensor 'IteratorGetNext:12' shape=(None,) dtype=string>, 'Sterilized': <tf.Tensor 'IteratorGetNext:10' shape=(None,) dtype=string>, 'Health': <tf.Tensor 'IteratorGetNext:7' shape=(None,) dtype=string>, 'Fee': <tf.Tensor 'IteratorGetNext:4' shape=(None,) dtype=int64>, 'PhotoAmt': <tf.Tensor 'IteratorGetNext:9' shape=(None,) dtype=int64>}. Consider rewriting this model with the Functional API.
231/231 [==============================] - 4s 10ms/step - loss: 0.6759 - accuracy: 0.6802 - val_loss: 0.5361 - val_accuracy: 0.7351
Epoch 2/10
231/231 [==============================] - 2s 9ms/step - loss: 0.5742 - accuracy: 0.7054 - val_loss: 0.5178 - val_accuracy: 0.7411
Epoch 3/10
231/231 [==============================] - 2s 9ms/step - loss: 0.5369 - accuracy: 0.7231 - val_loss: 0.5031 - val_accuracy: 0.7438
Epoch 4/10
231/231 [==============================] - 2s 9ms/step - loss: 0.5161 - accuracy: 0.7214 - val_loss: 0.5115 - val_accuracy: 0.7259
Epoch 5/10
231/231 [==============================] - 2s 9ms/step - loss: 0.5034 - accuracy: 0.7296 - val_loss: 0.5173 - val_accuracy: 0.7237
Epoch 6/10
231/231 [==============================] - 2s 8ms/step - loss: 0.4983 - accuracy: 0.7301 - val_loss: 0.5153 - val_accuracy: 0.7254
Epoch 7/10
231/231 [==============================] - 2s 9ms/step - loss: 0.4912 - accuracy: 0.7412 - val_loss: 0.5258 - val_accuracy: 0.7010
Epoch 8/10
231/231 [==============================] - 2s 9ms/step - loss: 0.4890 - accuracy: 0.7360 - val_loss: 0.5066 - val_accuracy: 0.7221
Epoch 9/10
231/231 [==============================] - 2s 9ms/step - loss: 0.4824 - accuracy: 0.7443 - val_loss: 0.5091 - val_accuracy: 0.7481
Epoch 10/10
231/231 [==============================] - 2s 9ms/step - loss: 0.4758 - accuracy: 0.7466 - val_loss: 0.5159 - val_accuracy: 0.7492
<keras.callbacks.History at 0x7f06b52a1810>
loss, accuracy = model.evaluate(test_ds)
print("Accuracy", accuracy)
73/73 [==============================] - 0s 6ms/step - loss: 0.4812 - accuracy: 0.7543 Accuracy 0.7543327808380127
ขั้นตอนถัดไป
วิธีที่ดีที่สุดในการเรียนรู้เพิ่มเติมเกี่ยวกับการจัดประเภทข้อมูลที่มีโครงสร้างคือการลองด้วยตัวเอง เราขอแนะนำให้ค้นหาชุดข้อมูลอื่นเพื่อใช้งาน และฝึกโมเดลเพื่อจัดประเภทโดยใช้โค้ดที่คล้ายกับด้านบน เพื่อปรับปรุงความแม่นยำ ให้คิดอย่างรอบคอบว่าคุณลักษณะใดที่จะรวมไว้ในแบบจำลองของคุณ และควรแสดงคุณลักษณะดังกล่าวอย่างไร