## Préparation pour l'évaluation

Avant de commencer le processus d'évaluation sur le **jeu de test**, vous devez vous assurer des points suivants :

1. **Mettre le modèle en mode évaluation** : utilisez `model.eval()` pour désactiver des fonctionnalités comme le dropout et la normalisation par lot, assurant un comportement cohérent pendant l'évaluation ;

2. **Désactiver le suivi des gradients** : utilisez `torch.no_grad()` pour économiser de la mémoire et accélérer les calculs, car les gradients ne sont pas nécessaires pendant l'évaluation.

```python
# Set the model to evaluation mode
model.eval()
# Disable gradient computation for evaluation
with torch.no_grad():
    # Forward pass on the test data
    test_predictions = model(X_test)
```

## Conversion des Prédictions

Comme nous l'avons déjà mentionné précédemment, la sortie du modèle sera des **logits** (scores bruts). Pour obtenir les étiquettes de classe prédites, nous utilisons `torch.argmax` pour extraire l'**indice de la valeur maximale** le long de la dimension de classe.

```python
# Convert logits to predicted class labels
predicted_labels = torch.argmax(test_predictions, dim=1)
```

## Calcul des Métriques

Pour les problèmes de classification, **l'exactitude** est une métrique de départ utile, à condition que le jeu de données soit équilibré.

```python
# Calculate accuracy
correct_predictions = (predicted_labels == y_test).sum().item()
accuracy = correct_predictions / len(y_test) * 100
print(f"Test accuracy: {accuracy:.2f}%")
```

Pour obtenir des informations plus approfondies sur les performances du modèle, vous pouvez calculer des métriques supplémentaires telles que la **précision**, le **rappel** et le **score F1**. Vous pouvez en savoir plus sur ces métriques et leurs formules dans <a href="https://codefinity.com/blog/Understanding-Classification-Metrics" target="_blank">cet article</a>, en utilisant leurs formules respectives.

import torch
import os
os.system('wget https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/model_training.py 2>/dev/null')
from model_training import model, X_test, y_test

# Set model to evaluation mode
model.eval() 
# Disable gradient tracking
with torch.no_grad():
    # Forward pass
    test_predictions = model(X_test)
    # Get predicted classes
    predicted_labels = torch.argmax(test_predictions, dim=1)

# Calculate accuracy
correct_predictions = (predicted_labels == y_test).sum().item()
accuracy = correct_predictions / len(y_test) * 100
print(f"Test accuracy: {accuracy:.2f}%")

Laquelle des étapes suivantes est nécessaire lors de l'évaluation d'un modèle PyTorch entraîné ?

Apprenez les concepts fondamentaux et avancés nécessaires pour travailler efficacement avec PyTorch. Acquérez une compréhension solide des tenseurs, y compris la création, les opérations et le remodelage. Explorez les bases des gradients, de la rétropropagation et de la régression linéaire avant de passer à la gestion des ensembles de données. Maîtrisez les compétences nécessaires pour construire, entraîner et évaluer des réseaux de neurones.

Explorez les fondamentaux de PyTorch, en vous concentrant sur les tenseurs, la structure de données principale utilisée pour les calculs. Vous apprendrez la création de tenseurs, l'initialisation aléatoire, les opérations mathématiques et la manipulation des formes.

Explorez les concepts clés pour l'entraînement des modèles dans PyTorch, y compris le calcul des gradients et la réalisation de rétropropagation multi-étapes. Maîtrisez la régression linéaire en tant que modèle de machine learning fondamental et découvrez comment gérer efficacement les jeux de données.

Découvrez comment construire, entraîner et évaluer des réseaux neuronaux en utilisant PyTorch. Vous apprendrez à définir un réseau neuronal feedforward simple, à optimiser ses paramètres grâce à l'entraînement, et à évaluer ses performances.

Essentiels de Pytorch

Évaluation du Modèle

Préparation pour l'évaluation

Conversion des Prédictions

Calcul des Métriques

Implémentation complète