Ouvre la boîte de dialogue modélisation de régression ou modélisation de classification dans laquelle vous pouvez apporter des modifications à votre modèle actuel. Ouvre la boîte de dialogue évaluer le modèle dans laquelle vous pouvez tester le modèle par rapport à un autre ensemble de données afin de voir à quel point le modèle correspond à d`autres données. Il existe deux types principaux de modèles disponibles dans keras: le modèle séquentiel et la classe Model utilisée avec l`API fonctionnelle. Voici un exemple d`un modèle de Perceptron multicouche simple écrit en tant que sous-classe de modèle: point clé: utilisez l`API de droite pour le travail. L`API de sous-classement de modèle peut vous fournir une plus grande flexbilité pour implémenter des modèles complexes, mais il est livré à un coût (en plus de ces fonctionnalités manquantes): il est plus verbeux, plus complexe, et a plus d`opportunités pour les erreurs de l`utilisateur. Si possible, préférez l`utilisation de l`API fonctionnelle, qui est plus facile à utiliser. En plus de ces deux types de modèles, vous pouvez créer vos propres modèles entièrement personnalisables en sous-classant la classe Model et en implémentant votre propre passe avant dans la méthode Call (l`API de sous-classement du modèle a été introduite dans keras 2.2.0). Ouvre la boîte de dialogue Dupliquer le modèle dans laquelle vous pouvez taper un nouveau nom et créer un doublon du modèle. Cela vous permet de modifier une copie plutôt que le modèle d`origine si vous avez besoin d`apporter des ajustements à un modèle.

La fonction coef extrait la matrice des coefficients avec des erreurs standard, des statistiques t et des valeurs de p. Par exemple, dans la réponse de Paul Lo, le nombre de neurones dans une couche est 264710/(514 * 4) = 130 ce tableau présente une collection d`arbres taillées optimaux en fonction de la valeur du paramètre de complexité. Pour chaque arborescence, la valeur de complexité (CP), le nombre de fractionnements, (le nombre de nœuds dans l`arborescence est 1 + nsplit), l`erreur relative (rel_error) ainsi que l`erreur de validation croisée (XerroR) et l`erreur standard de l`erreur de validation croisée (xstd). Les colonnes d`erreur sont mises à l`échelle afin que le premier nœud ait une erreur de 1. La valeur de complexité est également mise à l`échelle. une matrice p x p de covariances (non mises à l`échelle) du coef [j], j = 1,…, p. Pour la couche dense_1, le nombre de params est 264710.