Lære Udfordring: Evaluering af Perceptron | Neuralt Netværk fra Bunden

For at evaluere den tidligere oprettede perceptron, anvendes et datasæt med to inputfunktioner og to forskellige klasser (0 og 1):

Dette datasæt er balanceret med 500 prøver fra klasse 1 og 500 prøver fra klasse 0. Derfor er nøjagtighed en tilstrækkelig evalueringsmetrik i dette tilfælde, hvilket kan beregnes ved hjælp af funktionen accuracy_score():

accuracy_score(y_true, y_pred)

y_true repræsenterer de faktiske etiketter, mens y_pred repræsenterer de forudsagte etiketter.

Datasættet er gemt i perceptron.py som to NumPy-arrays: X (inputfunktioner) og y (tilsvarende etiketter), så de importeres blot. Denne fil indeholder også model, som er instansen af Perceptron-klassen, du tidligere har oprettet.

Opgave

Swipe to start coding

Dit mål er at evaluere, hvor godt den trænede perceptron-model præsterer på usete data. Følg nedenstående trin for at opdele datasættet, træne modellen, generere forudsigelser og måle dens nøjagtighed.

Opdel datasættet i træningssæt (80%) og testsæt (20%) ved hjælp af funktionen train_test_split().

Brug test_size=0.2 og random_state=10 for at sikre reproducerbarhed.

Træn perceptron-modellen i 10 epoker med en læringsrate på 0.01 ved at kalde fit()-metoden.
Opnå forudsigelser for alle eksempler i testsættet ved at kalde modellens forward()-metode for hvert inputeksempel.
Afrund forudsigelserne med np.round(), så sandsynligheder større end eller lig med 0.5 behandles som klasse 1, og dem under 0.5 som klasse 0.
Evaluer nøjagtighed ved at sammenligne de forudsagte etiketter med de faktiske testetiketter ved hjælp af funktionen accuracy_score() fra sklearn.metrics.

Løsning

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 12

single

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Awesome!

Completion rate improved to 4

Stryg for at vise menuen