Lernen Auswertung des Modells

Swipe um das Menü anzuzeigen

Vorbereitung auf die Auswertung

Vor Beginn des Auswertungsprozesses auf dem Testdatensatz sind folgende Schritte sicherzustellen:

Modell in den Evaluierungsmodus versetzen: Mit model.eval() werden Funktionen wie Dropout und Batch-Normalisierung deaktiviert, um ein konsistentes Verhalten während der Auswertung zu gewährleisten;
Gradientenberechnung deaktivieren: Mit torch.no_grad() wird Speicher gespart und die Berechnung beschleunigt, da während der Auswertung keine Gradienten benötigt werden.

# 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, liefert das Modell als Ausgabe Logits (Rohwerte). Um die vorhergesagten Klassenlabels zu erhalten, wird torch.argmax verwendet, um den Index des maximalen Wertes entlang der Klassendimension zu extrahieren.

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

Berechnung von Metriken

Für Klassifikationsprobleme ist die Genauigkeit ein nützlicher Ausgangswert, sofern der Datensatz ausgewogen ist.

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

Mehr erfahren

Wenn der Datensatz unausgewogen ist – das heißt, eine Klasse ist deutlich häufiger vertreten als die anderen – kann die Genauigkeit irreführend sein. Ein Modell, das immer die Mehrheitsklasse vorhersagt, kann eine hohe Genauigkeit erreichen, erfasst jedoch nicht die tatsächliche Leistung über alle Klassen hinweg.

Um ein tieferes Verständnis der Modellleistung zu erhalten, können zusätzliche Metriken wie Präzision, Recall und F1-Score berechnet werden. Weitere Informationen zu diesen Metriken und deren Formeln finden Sie in diesem Artikel, einschließlich der jeweiligen Formeln.

Vollständige Implementierung


              123456789101112131415161718
            
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}%")

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 19

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Abschnitt 1. Kapitel 19