Haaste: Perceptronin Arviointi
Aiemmin luodun perceptronin arviointiin käytetään tietojoukkoa, joka sisältää kaksi syöteominaisuutta ja kaksi erillistä luokkaa (0
ja 1
):
Tämä tietojoukko on tasapainotettu, sisältäen 500 näytettä luokasta 1
ja 500 näytettä luokasta 0
. Tästä syystä 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 ja y_pred
ennustettuja luokkia.
Tietojoukko 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 instanssi.
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
Aiemmin luodun perceptronin arviointiin käytetään tietojoukkoa, joka sisältää kaksi syöteominaisuutta ja kaksi erillistä luokkaa (0
ja 1
):
Tämä tietojoukko on tasapainotettu, sisältäen 500 näytettä luokasta 1
ja 500 näytettä luokasta 0
. Tästä syystä 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 ja y_pred
ennustettuja luokkia.
Tietojoukko 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 instanssi.
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