Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Herausforderung: Bewertung des Perzeptrons | Neural Network von Grund Auf
Einführung in Neuronale Netze

bookHerausforderung: 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.

Aufgabe

Swipe to start coding

Vorhersagen mit dem trainierten Modell erhalten und dessen Leistung bewerten:

  1. Das Datenset in Trainings- (80 %) und Test- (20 %) Mengen aufteilen.
  2. Das Modell für 10 Epochen mit einer Lernrate von 0.01 trainieren.
  3. Vorhersagen für alle Beispiele im Testset erhalten.
  4. Die Genauigkeit berechnen, indem die vorhergesagten Labels mit den tatsächlichen Test-Labels verglichen werden.

Lösung

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 12
single

single

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

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

close

Awesome!

Completion rate improved to 4

bookHerausforderung: 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.

Aufgabe

Swipe to start coding

Vorhersagen mit dem trainierten Modell erhalten und dessen Leistung bewerten:

  1. Das Datenset in Trainings- (80 %) und Test- (20 %) Mengen aufteilen.
  2. Das Modell für 10 Epochen mit einer Lernrate von 0.01 trainieren.
  3. Vorhersagen für alle Beispiele im Testset erhalten.
  4. Die Genauigkeit berechnen, indem die vorhergesagten Labels mit den tatsächlichen Test-Labels verglichen werden.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 12
single

single

some-alt