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. Dans les modèles sous-classés, la topologie du modèle est définie en tant que code Python (plutôt que comme un graphe statique de calques). Cela signifie que la topologie du modèle ne peut pas être inspectée ou sérialisée. Par conséquent, les méthodes et attributs suivants ne sont pas disponibles pour les modèles sous-classés: keras dispose d`une API soignée pour afficher la visualisation du modèle qui est très utile lors du débogage de votre réseau. Voici un code Barebone pour essayer d`imiter la même chose dans PyTorch. L`objectif est de fournir des informations complémentaires, ce qui n`est pas fourni par l`impression (your_model) dans PyTorch. 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. Voici un exemple d`un modèle de Perceptron multicouche simple écrit en tant que sous-classe de modèle: les résultats de régression comprennent trois tables en plus de la table «coefficients», mais nous limitons notre intérêt pour le tableau «récapitulatif du modèle», qui fournit des informations sur la capacité de la ligne de régression à tenir compte de la variation totale de la variable dépendante. La figure 6 montre que les valeurs y observées sont fortement dispersées autour de la ligne de régression. Ainsi, comme le font souvent les analystes de régression, le modèle de régression ne «explique» qu`une proportion limitée de la variation totale de la variable dépendante.
La variation totale de la variable dépendante peut être mesurée par sa variance. Si la ligne de régression n`est pas complètement horizontale (c.-à-d. Si le coefficient b est différent de 0), alors une partie de la variance totale est comptabilisée par la ligne de régression. Cette partie de la variance est mesurée comme la somme des différences quadratiques entre les valeurs variables dépendantes prédites des répondants et la moyenne globale divisée par le nombre de répondants. En divisant cette variance expliquée par la variance totale de la variable dépendante, nous arrivons à la proportion de la variance totale qui est comptabilisée par l`équation de régression. Cette proportion varie entre 0 et 1 et est symbolisée par R2 (carré R). Comme on peut le voir dans le tableau 2, la valeur de notre R2 est 0,131, ce qui signifie que 13,1 pour cent de la variance totale de la longueur de l`éducation a été «expliquée». Pas très impressionnant, mais pas mauvais soit comparé aux valeurs R2 on tend à obtenir dans les analyses des données d`enquête sociale. Le R est la racine carrée de R2. Le R2 ajusté sera discuté plus tard.
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).