Sfida: 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.
Swipe to start coding
Ottieni le predizioni dal modello addestrato e valuta le sue prestazioni:
- Suddividere il dataset in set di addestramento (80%) e di test (20%).
- Addestrare il modello per 10 epoche con un tasso di apprendimento di
0.01. - Ottenere le predizioni per tutti gli esempi nel set di test.
- Calcolare la precisione confrontando le etichette predette con quelle reali del set di test.
Soluzione
Grazie per i tuoi commenti!
single
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Awesome!
Completion rate improved to 4
Sfida: 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.
Swipe to start coding
Ottieni le predizioni dal modello addestrato e valuta le sue prestazioni:
- Suddividere il dataset in set di addestramento (80%) e di test (20%).
- Addestrare il modello per 10 epoche con un tasso di apprendimento di
0.01. - Ottenere le predizioni per tutti gli esempi nel set di test.
- Calcolare la precisione confrontando le etichette predette con quelle reali del set di test.
Soluzione
Grazie per i tuoi commenti!
single