Найдите accuracy модели на валидационной выборке. Предсказания модели вычисляются функцией predict(), как в sklearn. Сигмоида вернёт числа от 0 до 1, преобразуйте их в классы, сравнив с 0.5.
Напечатайте на экране значение accuracy (уже в прекоде). Чтобы выводу не мешал прогресс обучения, задайте verbose=0.
Подсказка
Допишите код:
predictions = model.predict(features_valid) > 0.5
score = # < напишите код здесь >
print("Accuracy:", score)
import pandas as pd
from tensorflow import keras
from sklearn.metrics import accuracy_score
df = pd.read_csv('/datasets/train_data_n.csv')
# https://code.s3.yandex.net/datasets/train_data_n.csv
df['target'] = (df['target'] > df['target'].median()).astype(int)
features_train = df.drop('target', axis=1)
target_train = df['target']
df_val = pd.read_csv('/datasets/test_data_n.csv')
# https://code.s3.yandex.net/datasets/test_data_n.csv
df_val['target'] = (df_val['target'] > df['target'].median()).astype(int)
features_valid = df_val.drop('target', axis=1)
target_valid = df_val['target']
model = keras.models.Sequential()
model.add(keras.layers.Dense(units=1, input_dim=features_train.shape[1],
activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='sgd')
model.fit(features_train, target_train, epochs=5, verbose=0,
validation_data=(features_valid, target_valid))
predictions = model.predict(features_valid) > 0.5
score = accuracy_score(target_valid, predictions)
print("Accuracy:", score)