Défi : Évaluation du Perceptron
Pour évaluer le perceptron précédemment créé, vous utiliserez un jeu de données contenant deux caractéristiques d'entrée et deux classes distinctes (0
et 1
) :
Ce jeu de données est équilibré, avec 500 échantillons de la classe 1
et 500 échantillons de la classe 0
. Par conséquent, la précision est une métrique suffisante pour l'évaluation dans ce cas, qui peut être calculée à l'aide de la fonction accuracy_score()
:
accuracy_score(y_true, y_pred)
y_true
représente les étiquettes réelles, tandis que y_pred
représente les étiquettes prédites.
Le jeu de données est stocké dans perceptron.py
sous forme de deux tableaux NumPy : X
(caractéristiques d'entrée) et y
(étiquettes correspondantes), ils seront donc simplement importés. Ce fichier contient également model
, qui est l'instance de la classe Perceptron
que vous avez créée précédemment.
Swipe to start coding
Obtenez des prédictions à partir du modèle entraîné et évaluez ses performances :
- Divisez le jeu de données en ensembles d'entraînement (80 %) et de test (20 %).
- Entraînez le modèle pendant 10 époques avec un taux d'apprentissage de
0.01
. - Obtenez les prédictions pour tous les exemples de l'ensemble de test.
- Calculez la précision en comparant les étiquettes prédites avec les étiquettes réelles du test.
Solution
Merci pour vos commentaires !
single
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
How do I use the `accuracy_score()` function with my perceptron model?
Can you show me how to import the dataset and model from `perceptron.py`?
What are the next steps to evaluate the perceptron on this dataset?
Awesome!
Completion rate improved to 4
Défi : Évaluation du Perceptron
Glissez pour afficher le menu
Pour évaluer le perceptron précédemment créé, vous utiliserez un jeu de données contenant deux caractéristiques d'entrée et deux classes distinctes (0
et 1
) :
Ce jeu de données est équilibré, avec 500 échantillons de la classe 1
et 500 échantillons de la classe 0
. Par conséquent, la précision est une métrique suffisante pour l'évaluation dans ce cas, qui peut être calculée à l'aide de la fonction accuracy_score()
:
accuracy_score(y_true, y_pred)
y_true
représente les étiquettes réelles, tandis que y_pred
représente les étiquettes prédites.
Le jeu de données est stocké dans perceptron.py
sous forme de deux tableaux NumPy : X
(caractéristiques d'entrée) et y
(étiquettes correspondantes), ils seront donc simplement importés. Ce fichier contient également model
, qui est l'instance de la classe Perceptron
que vous avez créée précédemment.
Swipe to start coding
Obtenez des prédictions à partir du modèle entraîné et évaluez ses performances :
- Divisez le jeu de données en ensembles d'entraînement (80 %) et de test (20 %).
- Entraînez le modèle pendant 10 époques avec un taux d'apprentissage de
0.01
. - Obtenez les prédictions pour tous les exemples de l'ensemble de test.
- Calculez la précision en comparant les étiquettes prédites avec les étiquettes réelles du test.
Solution
Merci pour vos commentaires !
single