Udfordring: Evaluering af Perceptronen
For at evaluere den tidligere oprettede perceptron, anvendes et datasæt med to input-features og to forskellige klasser (0 og 1):
Dette datasæt er balanceret med 500 eksempler fra klasse 1 og 500 eksempler 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 labels, mens y_pred repræsenterer de forudsagte labels.
Datasættet er gemt i perceptron.py som to NumPy-arrays: X (input-features) og y (tilsvarende labels), så de importeres direkte. Denne fil indeholder også model, som er instansen af Perceptron-klassen, du tidligere har oprettet.
Swipe to start coding
Opnå forudsigelser fra den trænede model og evaluer dens ydeevne:
- Opdel datasættet i trænings (80%) og test (20%) sæt.
- Træn modellen i 10 epoker med en læringsrate på
0.01. - Opnå forudsigelser for alle eksempler i test sættet.
- Beregn nøjagtigheden ved at sammenligne de forudsagte labels med de faktiske test labels.
Løsning
Tak for dine kommentarer!
single
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
How do I use the `accuracy_score()` function with my perceptron model?
Can you show me how to import the dataset and model from `perceptron.py`?
What are the next steps to evaluate the perceptron on this dataset?
Awesome!
Completion rate improved to 4Udfordring: Evaluering af Perceptronen
Stryg for at vise menuen
For at evaluere den tidligere oprettede perceptron, anvendes et datasæt med to input-features og to forskellige klasser (0 og 1):
Dette datasæt er balanceret med 500 eksempler fra klasse 1 og 500 eksempler 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 labels, mens y_pred repræsenterer de forudsagte labels.
Datasættet er gemt i perceptron.py som to NumPy-arrays: X (input-features) og y (tilsvarende labels), så de importeres direkte. Denne fil indeholder også model, som er instansen af Perceptron-klassen, du tidligere har oprettet.
Swipe to start coding
Opnå forudsigelser fra den trænede model og evaluer dens ydeevne:
- Opdel datasættet i trænings (80%) og test (20%) sæt.
- Træn modellen i 10 epoker med en læringsrate på
0.01. - Opnå forudsigelser for alle eksempler i test sættet.
- Beregn nøjagtigheden ved at sammenligne de forudsagte labels med de faktiske test labels.
Løsning
Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående mulighederTak for dine kommentarer!
single
