## Vorbereitung auf die Bewertung

Bevor Sie mit dem Bewertungsprozess auf dem **Testset** beginnen, müssen Sie Folgendes sicherstellen:

1. **Setzen Sie das Modell in den Evaluierungsmodus**: Verwenden Sie `model.eval()`, um Funktionen wie Dropout und Batch-Normalisierung zu deaktivieren und ein konsistentes Verhalten während der Bewertung sicherzustellen;

2. **Deaktivieren Sie das Gradienten-Tracking**: Verwenden Sie `torch.no_grad()`, um Speicher zu sparen und Berechnungen zu beschleunigen, da während der Bewertung keine Gradienten erforderlich sind.

```python
# Set the model to evaluation mode
model.eval()
# Disable gradient computation for evaluation
with torch.no_grad():
    # Forward pass on the test data
    test_predictions = model(X_test)
```

## Umwandlung von Vorhersagen

Wie bereits zuvor erwähnt, wird die Ausgabe des Modells **Logits** (Rohwerte) sein. Um die vorhergesagten Klassenlabels zu erhalten, verwenden wir `torch.argmax`, um den **Index des maximalen Wertes** entlang der Klassendimension zu extrahieren.

```python
# Convert logits to predicted class labels
predicted_labels = torch.argmax(test_predictions, dim=1)
```

## Berechnung von Metriken

Für Klassifikationsprobleme ist **Genauigkeit** ein nützlicher Ausgangsmetriker, vorausgesetzt, der Datensatz ist ausgewogen.

```python
# Calculate accuracy
correct_predictions = (predicted_labels == y_test).sum().item()
accuracy = correct_predictions / len(y_test) * 100
print(f"Test accuracy: {accuracy:.2f}%")
```

Um tiefere Einblicke in die Modellleistung zu gewinnen, können Sie zusätzliche Metriken wie **Präzision**, **Recall** und **F1-Score** berechnen. Sie können mehr über diese Metriken und ihre Formeln in <a href="https://codefinity.com/blog/Understanding-Classification-Metrics" target="_blank">diesem Artikel</a> erfahren, indem Sie ihre jeweiligen Formeln verwenden.

import torch
import os
os.system('wget https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/model_training.py 2>/dev/null')
from model_training import model, X_test, y_test

# Set model to evaluation mode
model.eval() 
# Disable gradient tracking
with torch.no_grad():
    # Forward pass
    test_predictions = model(X_test)
    # Get predicted classes
    predicted_labels = torch.argmax(test_predictions, dim=1)

# Calculate accuracy
correct_predictions = (predicted_labels == y_test).sum().item()
accuracy = correct_predictions / len(y_test) * 100
print(f"Test accuracy: {accuracy:.2f}%")

Welcher der folgenden Schritte ist notwendig, um ein trainiertes PyTorch-Modell zu evaluieren?

Lernen Sie die grundlegenden und fortgeschrittenen Konzepte, die erforderlich sind, um effizient mit PyTorch zu arbeiten. Erhalten Sie ein solides Verständnis für Tensors, einschließlich Erstellung, Operationen und Umformung. Erkunden Sie die Grundlagen von Gradienten, Backpropagation und linearer Regression, bevor Sie zu Datensätzen übergehen. Beherrschen Sie die Fähigkeiten, die erforderlich sind, um neuronale Netzwerke zu erstellen, zu trainieren und zu bewerten.

Erkunden Sie die Grundlagen von PyTorch mit Fokus auf Tensors - die zentrale Datenstruktur für Berechnungen. Sie werden etwas über die Erstellung von Tensors, zufällige Initialisierung, mathematische Operationen und Formmanipulation lernen.

Erkunden Sie wichtige Konzepte zum Trainieren von Modellen in PyTorch, einschließlich der Berechnung von Gradienten und der Durchführung von mehrstufiger Rückwärtspropagation. Meistern Sie die lineare Regression als grundlegendes maschinelles Lernmodell und lernen Sie, Datensätze effizient zu handhaben.

Entdecken Sie, wie Sie neuronale Netzwerke mit PyTorch erstellen, trainieren und bewerten. Sie werden lernen, wie man ein einfaches Feedforward-Neuronales Netzwerk definiert, seine Parameter durch Training optimiert und seine Leistung bewertet.

Pytorch Grundlagen

Bewertung des Modells

Vorbereitung auf die Bewertung

Umwandlung von Vorhersagen

Berechnung von Metriken

Vollständige Implementierung