Utfordring: Evaluering av Perseptronen
For å evaluere den tidligere opprettede perseptronen, skal du bruke et datasett som inneholder to inndatafunksjoner og to distinkte klasser (0 og 1):
Dette datasettet er balansert, med 500 eksempler fra klasse 1 og 500 eksempler fra klasse 0. Derfor er nøyaktighet en tilstrekkelig metrikk for evaluering i dette tilfellet, og kan beregnes ved hjelp av funksjonen accuracy_score():
accuracy_score(y_true, y_pred)
y_true representerer de faktiske etikettene, mens y_pred representerer de predikerte etikettene.
Datasettet er lagret i perceptron.py som to NumPy-arrays: X (inndatafunksjoner) og y (tilsvarende etiketter), så de vil enkelt importeres. Denne filen inneholder også model, som er instansen av Perceptron-klassen du tidligere opprettet.
Swipe to start coding
Målet ditt er å evaluere hvor godt den trente perceptron-modellen presterer på ukjente data. Følg trinnene nedenfor for å dele datasettet, trene modellen, generere prediksjoner og måle nøyaktigheten.
- Del datasettet inn i treningssett (80 %) og testsett (20 %) ved å bruke funksjonen
train_test_split().
- Bruk
test_size=0.2ograndom_state=10for å sikre reproduserbarhet.
- Tren perceptron-modellen i 10 epoker med en læringsrate på
0.01ved å kallefit()-metoden. - Hent prediksjoner for alle eksempler i testsettet ved å bruke modellens
forward()-metode for hvert inndataeksempel. - Avrund prediksjonene med
np.round()slik at sannsynligheter større enn eller lik0.5behandles som klasse1, og de under0.5som klasse0. - Evaluer nøyaktigheten ved å sammenligne de predikerte etikettene med de faktiske testetikettene ved hjelp av funksjonen
accuracy_score()frasklearn.metrics.
Løsning
Takk for tilbakemeldingene dine!
single
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Awesome!
Completion rate improved to 4Utfordring: Evaluering av Perseptronen
Sveip for å vise menyen
For å evaluere den tidligere opprettede perseptronen, skal du bruke et datasett som inneholder to inndatafunksjoner og to distinkte klasser (0 og 1):
Dette datasettet er balansert, med 500 eksempler fra klasse 1 og 500 eksempler fra klasse 0. Derfor er nøyaktighet en tilstrekkelig metrikk for evaluering i dette tilfellet, og kan beregnes ved hjelp av funksjonen accuracy_score():
accuracy_score(y_true, y_pred)
y_true representerer de faktiske etikettene, mens y_pred representerer de predikerte etikettene.
Datasettet er lagret i perceptron.py som to NumPy-arrays: X (inndatafunksjoner) og y (tilsvarende etiketter), så de vil enkelt importeres. Denne filen inneholder også model, som er instansen av Perceptron-klassen du tidligere opprettet.
Swipe to start coding
Målet ditt er å evaluere hvor godt den trente perceptron-modellen presterer på ukjente data. Følg trinnene nedenfor for å dele datasettet, trene modellen, generere prediksjoner og måle nøyaktigheten.
- Del datasettet inn i treningssett (80 %) og testsett (20 %) ved å bruke funksjonen
train_test_split().
- Bruk
test_size=0.2ograndom_state=10for å sikre reproduserbarhet.
- Tren perceptron-modellen i 10 epoker med en læringsrate på
0.01ved å kallefit()-metoden. - Hent prediksjoner for alle eksempler i testsettet ved å bruke modellens
forward()-metode for hvert inndataeksempel. - Avrund prediksjonene med
np.round()slik at sannsynligheter større enn eller lik0.5behandles som klasse1, og de under0.5som klasse0. - Evaluer nøyaktigheten ved å sammenligne de predikerte etikettene med de faktiske testetikettene ved hjelp av funksjonen
accuracy_score()frasklearn.metrics.
Løsning
Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenforTakk for tilbakemeldingene dine!
single
