Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Oppiskele Haaste: Perceptronin Arviointi | Neuroverkon Rakentaminen Alusta Alkaen
Johdatus neuroverkkoihin

bookHaaste: 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.

Tehtävä

Swipe to start coding

Hanki ennusteet koulutetulta mallilta ja arvioi sen suorituskyky:

  1. Jaa aineisto koulutus- (80 %) ja testi- (20 %) joukkoihin.
  2. Kouluta mallia 10 epookin ajan oppimisnopeudella 0.01.
  3. Hanki ennusteet kaikille testijoukon esimerkeille.
  4. Laske tarkkuus vertaamalla ennustettuja luokkia todellisiin testiluokkiin.

Ratkaisu

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 2. Luku 12
single

single

Kysy tekoälyä

expand

Kysy tekoälyä

ChatGPT

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

close

Awesome!

Completion rate improved to 4

bookHaaste: 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.

Tehtävä

Swipe to start coding

Hanki ennusteet koulutetulta mallilta ja arvioi sen suorituskyky:

  1. Jaa aineisto koulutus- (80 %) ja testi- (20 %) joukkoihin.
  2. Kouluta mallia 10 epookin ajan oppimisnopeudella 0.01.
  3. Hanki ennusteet kaikille testijoukon esimerkeille.
  4. Laske tarkkuus vertaamalla ennustettuja luokkia todellisiin testiluokkiin.

Ratkaisu

Switch to desktopVaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista
Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 2. Luku 12
single

single

some-alt