Haaste: Perceptronin Arviointi
Arvioidaksesi aiemmin luotua perceptronia, käytät aineistoa, joka sisältää kaksi syöteominaisuutta ja kaksi erillistä luokkaa (0
ja 1
):
Tämä aineisto on tasapainotettu, sisältäen 500 näytettä luokasta 1
ja 500 näytettä luokasta 0
. Tämän vuoksi tarkkuus on riittävä mittari arviointiin tässä tapauksessa, ja se voidaan laskea käyttämällä accuracy_score()
-funktiota:
accuracy_score(y_true, y_pred)
y_true
edustaa todellisia luokkia, kun taas y_pred
edustaa ennustettuja luokkia.
Aineisto on tallennettu tiedostoon perceptron.py
kahtena NumPy-taulukkona: X
(syöteominaisuudet) ja y
(vastaavat luokat), joten ne tuodaan suoraan. Tämä tiedosto sisältää myös model
-olion, joka on aiemmin luomasi Perceptron
-luokan ilmentymä.
Swipe to start coding
Hanki ennusteet koulutetulta mallilta ja arvioi sen suorituskyky:
- Jaa aineisto koulutus- (80 %) ja testi- (20 %) joukkoihin.
- Kouluta mallia 10 epookin ajan oppimisnopeudella
0.01
. - Hanki ennusteet kaikille testijoukon esimerkeille.
- Laske tarkkuus vertaamalla ennustettuja luokkia todellisiin testiluokkiin.
Ratkaisu
Kiitos palautteestasi!
single
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Awesome!
Completion rate improved to 4
Haaste: Perceptronin Arviointi
Pyyhkäise näyttääksesi valikon
Arvioidaksesi aiemmin luotua perceptronia, käytät aineistoa, joka sisältää kaksi syöteominaisuutta ja kaksi erillistä luokkaa (0
ja 1
):
Tämä aineisto on tasapainotettu, sisältäen 500 näytettä luokasta 1
ja 500 näytettä luokasta 0
. Tämän vuoksi tarkkuus on riittävä mittari arviointiin tässä tapauksessa, ja se voidaan laskea käyttämällä accuracy_score()
-funktiota:
accuracy_score(y_true, y_pred)
y_true
edustaa todellisia luokkia, kun taas y_pred
edustaa ennustettuja luokkia.
Aineisto on tallennettu tiedostoon perceptron.py
kahtena NumPy-taulukkona: X
(syöteominaisuudet) ja y
(vastaavat luokat), joten ne tuodaan suoraan. Tämä tiedosto sisältää myös model
-olion, joka on aiemmin luomasi Perceptron
-luokan ilmentymä.
Swipe to start coding
Hanki ennusteet koulutetulta mallilta ja arvioi sen suorituskyky:
- Jaa aineisto koulutus- (80 %) ja testi- (20 %) joukkoihin.
- Kouluta mallia 10 epookin ajan oppimisnopeudella
0.01
. - Hanki ennusteet kaikille testijoukon esimerkeille.
- Laske tarkkuus vertaamalla ennustettuja luokkia todellisiin testiluokkiin.
Ratkaisu
Kiitos palautteestasi!
single