Sfida: Valutazione del Percettrone
Per valutare il perceptrone creato in precedenza, 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 in precedenza.
Swipe to start coding
L'obiettivo è valutare le prestazioni del modello perceptron addestrato su dati non visti. Segui i passaggi seguenti per suddividere il dataset, addestrare il modello, generare le predizioni e misurare l'accuratezza.
- Dividere il dataset in set di addestramento (80%) e test (20%) utilizzando la funzione
train_test_split().
- Impostare
test_size=0.2erandom_state=10per garantire la riproducibilità.
- Addestrare il modello perceptron per 10 epoche con un tasso di apprendimento di
0.01chiamando il metodofit(). - Ottenere le predizioni per tutti gli esempi nel set di test chiamando il metodo
forward()del modello per ciascun esempio di input. - Arrotondare le predizioni usando
np.round()in modo che le probabilità maggiori o uguali a0.5siano considerate classe1, e quelle inferiori a0.5classe0. - Valutare l'accuratezza confrontando le etichette predette con quelle reali del set di test utilizzando la funzione
accuracy_score()dasklearn.metrics.
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 4Sfida: Valutazione del Percettrone
Scorri per mostrare il menu
Per valutare il perceptrone creato in precedenza, 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 in precedenza.
Swipe to start coding
L'obiettivo è valutare le prestazioni del modello perceptron addestrato su dati non visti. Segui i passaggi seguenti per suddividere il dataset, addestrare il modello, generare le predizioni e misurare l'accuratezza.
- Dividere il dataset in set di addestramento (80%) e test (20%) utilizzando la funzione
train_test_split().
- Impostare
test_size=0.2erandom_state=10per garantire la riproducibilità.
- Addestrare il modello perceptron per 10 epoche con un tasso di apprendimento di
0.01chiamando il metodofit(). - Ottenere le predizioni per tutti gli esempi nel set di test chiamando il metodo
forward()del modello per ciascun esempio di input. - Arrotondare le predizioni usando
np.round()in modo che le probabilità maggiori o uguali a0.5siano considerate classe1, e quelle inferiori a0.5classe0. - Valutare l'accuratezza confrontando le etichette predette con quelle reali del set di test utilizzando la funzione
accuracy_score()dasklearn.metrics.
Soluzione
Cambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguentiGrazie per i tuoi commenti!
single
