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. Tästä syystä tarkkuus on riittävä arviointimittari tässä tapauksessa, ja se voidaan laskea accuracy_score()-funktiolla:
accuracy_score(y_true, y_pred)
y_true edustaa todellisia luokkia ja y_pred ennustettuja luokkia.
Aineisto on tallennettu tiedostoon perceptron.py kahtena NumPy-taulukkona: X (syöteominaisuudet) ja y (vastaavat luokat), joten ne tuodaan suoraan. Tässä tiedostossa on myös model, joka on aiemmin luomasi Perceptron-luokan olio.
Swipe to start coding
Tavoitteena on arvioida, kuinka hyvin koulutettu perceptron-malli suoriutuu aiemmin näkemättömällä datalla. Noudata alla olevia vaiheita jakaaksesi aineiston, kouluttaaksesi mallin, luodaksesi ennusteet ja mitataksesi tarkkuuden.
- Jaa aineisto koulutus- (80 %) ja testi- (20 %) joukkoihin käyttämällä
train_test_split()-funktiota.
- Käytä
test_size=0.2jarandom_state=10varmistaaksesi toistettavuuden.
- Kouluta perceptron-malli 10 epookin ajan oppimisnopeudella
0.01kutsumallafit()-metodia. - Hanki ennusteet kaikille testijoukon esimerkeille kutsumalla mallin
forward()-metodia jokaiselle syötteelle. - Pyöristä ennusteet käyttämällä
np.round(), jolloin todennäköisyydet, jotka ovat suurempia tai yhtä suuria kuin0.5, tulkitaan luokaksi1ja pienemmät kuin0.5luokaksi0. - Arvioi tarkkuus vertaamalla ennustettuja luokkia todellisiin testiluokkiin käyttämällä
accuracy_score()-funktiota kirjastostasklearn.metrics.
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
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. Tästä syystä tarkkuus on riittävä arviointimittari tässä tapauksessa, ja se voidaan laskea accuracy_score()-funktiolla:
accuracy_score(y_true, y_pred)
y_true edustaa todellisia luokkia ja y_pred ennustettuja luokkia.
Aineisto on tallennettu tiedostoon perceptron.py kahtena NumPy-taulukkona: X (syöteominaisuudet) ja y (vastaavat luokat), joten ne tuodaan suoraan. Tässä tiedostossa on myös model, joka on aiemmin luomasi Perceptron-luokan olio.
Swipe to start coding
Tavoitteena on arvioida, kuinka hyvin koulutettu perceptron-malli suoriutuu aiemmin näkemättömällä datalla. Noudata alla olevia vaiheita jakaaksesi aineiston, kouluttaaksesi mallin, luodaksesi ennusteet ja mitataksesi tarkkuuden.
- Jaa aineisto koulutus- (80 %) ja testi- (20 %) joukkoihin käyttämällä
train_test_split()-funktiota.
- Käytä
test_size=0.2jarandom_state=10varmistaaksesi toistettavuuden.
- Kouluta perceptron-malli 10 epookin ajan oppimisnopeudella
0.01kutsumallafit()-metodia. - Hanki ennusteet kaikille testijoukon esimerkeille kutsumalla mallin
forward()-metodia jokaiselle syötteelle. - Pyöristä ennusteet käyttämällä
np.round(), jolloin todennäköisyydet, jotka ovat suurempia tai yhtä suuria kuin0.5, tulkitaan luokaksi1ja pienemmät kuin0.5luokaksi0. - Arvioi tarkkuus vertaamalla ennustettuja luokkia todellisiin testiluokkiin käyttämällä
accuracy_score()-funktiota kirjastostasklearn.metrics.
Ratkaisu
Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoistaKiitos palautteestasi!
single
