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 4Haaste: 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
Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoistaKiitos palautteestasi!
single
