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 4Défi : 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
Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessousMerci pour vos commentaires !
single
