Desafío: Evaluación del Perceptrón
Para evaluar el perceptrón creado previamente, se utilizará un conjunto de datos que contiene dos características de entrada y dos clases distintas (0 y 1):
Este conjunto de datos está balanceado, con 500 muestras de la clase 1 y 500 muestras de la clase 0. Por lo tanto, la precisión es una métrica suficiente para la evaluación en este caso, la cual puede calcularse utilizando la función accuracy_score():
accuracy_score(y_true, y_pred)
y_true representa las etiquetas reales, mientras que y_pred representa las etiquetas predichas.
El conjunto de datos se almacena en perceptron.py como dos arreglos de NumPy: X (características de entrada) y y (etiquetas correspondientes), por lo que simplemente se importarán. Este archivo también contiene model, que es la instancia de la clase Perceptron creada previamente.
Swipe to start coding
Obtener predicciones del modelo entrenado y evaluar su rendimiento:
- Dividir el conjunto de datos en conjuntos de entrenamiento (80%) y prueba (20%).
- Entrenar el modelo durante 10 épocas con una tasa de aprendizaje de
0.01. - Obtener predicciones para todos los ejemplos en el conjunto de prueba.
- Calcular la precisión comparando las etiquetas predichas con las etiquetas reales de prueba.
Solución
¡Gracias por tus comentarios!
single
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
How do I use the `accuracy_score()` function with my perceptron model?
Can you show me how to import the dataset and model from `perceptron.py`?
What are the next steps to evaluate the perceptron on this dataset?
Awesome!
Completion rate improved to 4Desafío: Evaluación del Perceptrón
Desliza para mostrar el menú
Para evaluar el perceptrón creado previamente, se utilizará un conjunto de datos que contiene dos características de entrada y dos clases distintas (0 y 1):
Este conjunto de datos está balanceado, con 500 muestras de la clase 1 y 500 muestras de la clase 0. Por lo tanto, la precisión es una métrica suficiente para la evaluación en este caso, la cual puede calcularse utilizando la función accuracy_score():
accuracy_score(y_true, y_pred)
y_true representa las etiquetas reales, mientras que y_pred representa las etiquetas predichas.
El conjunto de datos se almacena en perceptron.py como dos arreglos de NumPy: X (características de entrada) y y (etiquetas correspondientes), por lo que simplemente se importarán. Este archivo también contiene model, que es la instancia de la clase Perceptron creada previamente.
Swipe to start coding
Obtener predicciones del modelo entrenado y evaluar su rendimiento:
- Dividir el conjunto de datos en conjuntos de entrenamiento (80%) y prueba (20%).
- Entrenar el modelo durante 10 épocas con una tasa de aprendizaje de
0.01. - Obtener predicciones para todos los ejemplos en el conjunto de prueba.
- Calcular la precisión comparando las etiquetas predichas con las etiquetas reales de prueba.
Solución
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones¡Gracias por tus comentarios!
single
