Nesta aplicação, estamos prevendo se um certo personagem fictício irá ou não a um show, usando uma Rede Neural Artificial (RNA). Utilizamos a biblioteca TensorFlow para criar a RNA para classificar as chances de ir ao show.
Para treinar nosso modelo, utilizamos a seguinte configuração:
-
Camada de Entrada:
- Função de ativação: ReLU
- Input Shape: 3 (para as características Tem Amigos, Show é Longe e Ingresso é Caro)
- Neurônios: 10
-
Camada de Saída:
- Função de ativação: Sigmoid
- Neurônios: 1 (para a decisão binária de ir ou não ao show)
-
Otimizador:
- Adam
Os dados de entrada (x
) e os rótulos de saída (y
) são preparados da seguinte maneira:
- x contém as características dos cenários de ir ao show.
- y contém os resultados binários correspondentes (0 para não ir, 1 para ir ao show).
model = Sequential([
Dense(10, activation='relu', input_shape=(3,)),
Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
O modelo é treinado com os dados de entrada e saída fornecidos.
model.fit(x, y, epochs=500)
- Extrair precisão de treinamento do histórico
- Avaliação do modelo de treinamento loss e accuracy
- Realizando predições do modelo treinado com entrada de argumentos
Equipe:
- Developers
- Editores texto academico
- AlexsandroFernandesNascimento
- Bea
- Gabriel Maia