R-squared mesure la fraction de la variabilité dans les données qui est expliquée par le modèle. C`est un nombre entre 0 et 1 avec 1 étant un modèle d`ajustement parfait (toutes les observations sont prévues exactement). Le R-squared ajusté est comme R-squared avec un ajustement pour tenir compte du nombre de prédicteurs dans le modèle. Ajout de prédicteurs, même non-sens, augmentera R-squared. Un récapitulatif de modèle est automatiquement créé lors de l`exécution d`une modélisation de régression ou d`une modélisation de classification. Le récapitulatif du modèle affiche le nom du modèle, le type de modèle et la formule de modèle. La fonction Summary. LM calcule et retourne une liste de statistiques récapitulatives du modèle linéaire ajusté donné dans l`objet, en utilisant les composants (éléments de liste) « Call » et « Terms » de son argument, plus Voici un exemple d`un modèle de Perceptron multicouche simple écrit sous-classe modèle: il existe deux types principaux de modèles disponibles dans keras: le modèle séquentiel et la classe Model utilisée avec l`API fonctionnelle. (pour les modèles incluant les termes sans interception) un vecteur 3 avec la valeur de la statistique F avec son numérateur et son dénominateur degrés de liberté.

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. AIC est le critère d`information d`akle, une mesure de la bonté de l`ajustement du modèle. Comme le modèle R-squared ajusté pour la régression, il prend en compte le nombre de prédicteurs inclus dans le modèle. Pour la même variable de réponse et différentes combinaisons de variables prédictitrices, le modèle avec le plus petit AIC serait préféré. Ouvre la boîte de dialogue modélisation de régression ou modélisation de classification dans laquelle vous pouvez apporter des modifications à votre modèle actuel. Pour les modèles d`arborescence, une description textuelle de la structure arborescente est affichée, suivie d`une table montrant l`amélioration du modèle à chaque fractionnement. Enfin, un résumé de chaque fractionnement individuel, à partir du nœud racine, est affiché. 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 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. R ^ 2, la «fraction de variance expliquée par le modèle», pour les modèles paramétriques (régression linéaire et régression logistique), des statistiques récapitulatives supplémentaires, appropriées pour le type de modèle particulier, sont également affichées. Ces statistiques peuvent donner une indication de la façon dont le modèle correspond aux données et peut également être utilisé pour comparer un modèle avec un autre modèle du même type. @aditya1702 Oui, bien sûr, comme mon information va jusqu`à présent, nous n`avons pas de fonctions pour voir le output_size et quelque chose de semblable à keras Model. Résumé je pense qu`il serait utile d`ajouter des crochets à la sortie de Str (modèle).