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:

```python
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.

Neuronale Netze sind leistungsfähige Algorithmen, die von der Struktur des menschlichen Gehirns inspiriert sind und zur Lösung komplexer Probleme im Bereich des maschinellen Lernens eingesetzt werden. Sie werden Ihr eigenes neuronales Netz von Grund auf erstellen, um dessen Funktionsweise zu verstehen. Nach diesem Kurs sind Sie in der Lage, neuronale Netze zur Lösung von Klassifikations- und Regressionsproblemen mit der scikit-learn-Bibliothek zu erstellen.

Zunächst besprechen wir, was ein neuronales Netzwerk ist und wie es funktioniert. Außerdem betrachten wir den Anwendungsbereich.

Als Nächstes werden wir versuchen, ein eigenes neuronales Netzwerk zu erstellen und beobachten, wie effizient es das Lernen bewältigt. Außerdem betrachten wir eine fertige Lösung aus der scikit-learn-Bibliothek.

Abschließend erhalten Sie zusätzliche nützliche Informationen darüber, wie Sie das passende Modell auswählen und welche Arten von neuronalen Netzen existieren. Zum Abschluss des Kurses wird Ihr erworbenes Wissen überprüft.

Herausforderung: Bewertung des Perzeptrons

Lösung

Awesome!

Herausforderung: Bewertung des Perzeptrons

Lösung