Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Impara Sfida: Valutazione del Percettrone | Rete Neurale da Zero
Introduzione alle Reti Neurali

bookSfida: Valutazione del Percettrone

Per valutare il perceptrone precedentemente creato, verrà utilizzato un dataset contenente due caratteristiche di input e due classi distinte (0 e 1):

Questo dataset è bilanciato, con 500 campioni della classe 1 e 500 campioni della classe 0. Pertanto, l'accuratezza è una metrica sufficiente per la valutazione in questo caso, che può essere calcolata utilizzando la funzione accuracy_score():

accuracy_score(y_true, y_pred)

y_true rappresenta le etichette reali, mentre y_pred rappresenta le etichette predette.

Il dataset è memorizzato in perceptron.py come due array NumPy: X (caratteristiche di input) e y (etichette corrispondenti), quindi verranno semplicemente importati. Questo file contiene anche model, che è l'istanza della classe Perceptron creata precedentemente.

Compito

Swipe to start coding

Ottieni le predizioni dal modello addestrato e valuta le sue prestazioni:

  1. Suddividi il dataset in set di addestramento (80%) e di test (20%).
  2. Addestra il modello per 10 epoche con un tasso di apprendimento di 0.01.
  3. Ottieni le predizioni per tutti gli esempi nel set di test.
  4. Calcola la precisione confrontando le etichette predette con quelle reali del set di test.

Soluzione

Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 2. Capitolo 12
single

single

Chieda ad AI

expand

Chieda ad AI

ChatGPT

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

close

Awesome!

Completion rate improved to 4

bookSfida: Valutazione del Percettrone

Scorri per mostrare il menu

Per valutare il perceptrone precedentemente creato, verrà utilizzato un dataset contenente due caratteristiche di input e due classi distinte (0 e 1):

Questo dataset è bilanciato, con 500 campioni della classe 1 e 500 campioni della classe 0. Pertanto, l'accuratezza è una metrica sufficiente per la valutazione in questo caso, che può essere calcolata utilizzando la funzione accuracy_score():

accuracy_score(y_true, y_pred)

y_true rappresenta le etichette reali, mentre y_pred rappresenta le etichette predette.

Il dataset è memorizzato in perceptron.py come due array NumPy: X (caratteristiche di input) e y (etichette corrispondenti), quindi verranno semplicemente importati. Questo file contiene anche model, che è l'istanza della classe Perceptron creata precedentemente.

Compito

Swipe to start coding

Ottieni le predizioni dal modello addestrato e valuta le sue prestazioni:

  1. Suddividi il dataset in set di addestramento (80%) e di test (20%).
  2. Addestra il modello per 10 epoche con un tasso di apprendimento di 0.01.
  3. Ottieni le predizioni per tutti gli esempi nel set di test.
  4. Calcola la precisione confrontando le etichette predette con quelle reali del set di test.

Soluzione

Switch to desktopCambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguenti
Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 2. Capitolo 12
single

single

some-alt