JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 3. Вводим нелинейность: теперь не только взвешенные суммы
123
делали для набора данных Boston­housing. Кроме того, количество обучающих при­
меров данных достаточно велико относительно как числа признаков, так и числа 
возможных предсказаний (равного двум: да или нет). В целом это неплохая пред­
варительная проверка того, подходит ли набор данных для работы. Если бы не было 
жалко времени на исследование данных, можно было бы сделать проверку попарной 
корреляции признаков и выяснить, нет ли избыточной информации; впрочем, нашей 
модели она не страшна.
Поскольку наши данные схожи с используемыми (после нормализации) данными 
набора Boston­housing, исходную модель мы также возьмем похожую. Код для этой 
задачи вы можете найти в каталоге 
website-phishing
репозитория tfjs­examples. 
Для извлечения и запуска примеров можете выполнить следующие команды:
git clone https://github.com/tensorflow/tfjs-examples.git
cd tfjs-examples/website-phishing
yarn && yarn watch
Листинг 3.5.
Описание модели бинарной классификации для обнаружения фишинга 
(из файла index.js)
const model = tf.sequential();
model.add(tf.layers.dense({
inputShape: [data.numFeatures],
units: 100,
activation: 'sigmoid'
}));
model.add(tf.layers.dense({units: 100, activation: 'sigmoid'}));
model.add(tf.layers.dense({units: 1, activation: 'sigmoid'}));
model.compile({
optimizer: 'adam',
loss: 'binaryCrossentropy',
metrics: ['accuracy']
});
Эта модель во многом схожа с многослойной сетью, которую мы создали для зада­
чи предсказания цен на бостонскую недвижимость. Она начинается с двух скрытых 
слоев (оба — с сигма­функцией активации). Последний (выходной) слой содержит 
ровно один нейрон, то есть выходной сигнал модели представляет собой одно чис­
ловое значение для каждого входного примера данных. Впрочем, главное отличие 
в том, что в качестве функции активации последнего слоя модели для обнаружения 
фишинга используется сигма­функция, а не линейная функция активации по умол­
чанию, как в модели для набора данных Boston­housing. Это значит, что выходной 
сигнал нашей модели ограничивается числами в диапазоне от 0 до 1, в отличие от 
модели Boston­housing, которая может выдавать на выходе произвольные числа 
с плавающей точкой.
Выше мы видели, что сигма­функции активации для скрытых слоев повышают 
разрешающие возможности модели. Но почему мы воспользовались сигма­функцией 
активации на выходе этой новой модели? Причина в самой сути задачи бинарной 
классификации. При бинарной классификации модель обычно должна выдавать 

---

124