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:
- Suddividi il dataset in set di addestramento (80%) e di test (20%).
- Addestra il modello per 10 epoche con un tasso di apprendimento di
0.01. - Ottieni le predizioni per tutti gli esempi nel set di test.
- Calcola 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 4Sfida: 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:
- Suddividi il dataset in set di addestramento (80%) e di test (20%).
- Addestra il modello per 10 epoche con un tasso di apprendimento di
0.01. - Ottieni le predizioni per tutti gli esempi nel set di test.
- Calcola la precisione confrontando le etichette predette con quelle reali del set di test.
Soluzione
Cambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguentiGrazie per i tuoi commenti!
single
