Herausforderung: Bewertung des Perzeptrons
Zur Bewertung des zuvor erstellten Perzeptrons wird ein Datensatz mit zwei Eingabemerkmalen und zwei unterschiedlichen Klassen (0
und 1
) verwendet:
Dieser Datensatz ist ausgeglichen, mit 500 Stichproben aus Klasse 1
und 500 Stichproben aus Klasse 0
. Daher ist Genauigkeit in diesem Fall ein ausreichendes Bewertungsmaß, das mit der Funktion accuracy_score()
berechnet werden kann:
accuracy_score(y_true, y_pred)
y_true
steht für die tatsächlichen Labels, während y_pred
die vorhergesagten Labels darstellt.
Der Datensatz ist in perceptron.py
als zwei NumPy-Arrays gespeichert: X
(Eingabemerkmale) und y
(zugehörige Labels), sodass sie einfach importiert werden können. Diese Datei enthält außerdem model
, die Instanz der zuvor erstellten Perceptron
-Klasse.
Swipe to start coding
Vorhersagen mit dem trainierten Modell erhalten und dessen Leistung bewerten:
- Das Datenset in Trainings- (80 %) und Test- (20 %) Mengen aufteilen.
- Das Modell für 10 Epochen mit einer Lernrate von
0.01
trainieren. - Vorhersagen für alle Beispiele im Testset erhalten.
- Die Genauigkeit berechnen, indem die vorhergesagten Labels mit den tatsächlichen Test-Labels verglichen werden.
Lösung
Danke für Ihr Feedback!
single
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 4
Herausforderung: Bewertung des Perzeptrons
Swipe um das Menü anzuzeigen
Zur Bewertung des zuvor erstellten Perzeptrons wird ein Datensatz mit zwei Eingabemerkmalen und zwei unterschiedlichen Klassen (0
und 1
) verwendet:
Dieser Datensatz ist ausgeglichen, mit 500 Stichproben aus Klasse 1
und 500 Stichproben aus Klasse 0
. Daher ist Genauigkeit in diesem Fall ein ausreichendes Bewertungsmaß, das mit der Funktion accuracy_score()
berechnet werden kann:
accuracy_score(y_true, y_pred)
y_true
steht für die tatsächlichen Labels, während y_pred
die vorhergesagten Labels darstellt.
Der Datensatz ist in perceptron.py
als zwei NumPy-Arrays gespeichert: X
(Eingabemerkmale) und y
(zugehörige Labels), sodass sie einfach importiert werden können. Diese Datei enthält außerdem model
, die Instanz der zuvor erstellten Perceptron
-Klasse.
Swipe to start coding
Vorhersagen mit dem trainierten Modell erhalten und dessen Leistung bewerten:
- Das Datenset in Trainings- (80 %) und Test- (20 %) Mengen aufteilen.
- Das Modell für 10 Epochen mit einer Lernrate von
0.01
trainieren. - Vorhersagen für alle Beispiele im Testset erhalten.
- Die Genauigkeit berechnen, indem die vorhergesagten Labels mit den tatsächlichen Test-Labels verglichen werden.
Lösung
Danke für Ihr Feedback!
single