Utfordring: Evaluering av Perceptron
For å evaluere den tidligere opprettede perseptronen, benyttes et datasett med 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 evalueringsmetode 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), og importeres derfor direkte. Denne filen inneholder også model, som er instansen av Perceptron-klassen du tidligere har opprettet.
Swipe to start coding
Hent prediksjoner fra den trente modellen og evaluer ytelsen:
- Del datasettet i treningssett (80 %) og testsett (20 %).
- Tren modellen i 10 epoker med en læringsrate på
0.01. - Hent prediksjoner for alle eksempler i testsettet.
- Beregn nøyaktighet ved å sammenligne de predikerte etikettene med de faktiske testetikettene.
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 Perceptron
Sveip for å vise menyen
For å evaluere den tidligere opprettede perseptronen, benyttes et datasett med 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 evalueringsmetode 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), og importeres derfor direkte. Denne filen inneholder også model, som er instansen av Perceptron-klassen du tidligere har opprettet.
Swipe to start coding
Hent prediksjoner fra den trente modellen og evaluer ytelsen:
- Del datasettet i treningssett (80 %) og testsett (20 %).
- Tren modellen i 10 epoker med en læringsrate på
0.01. - Hent prediksjoner for alle eksempler i testsettet.
- Beregn nøyaktighet ved å sammenligne de predikerte etikettene med de faktiske testetikettene.
Løsning
Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenforTakk for tilbakemeldingene dine!
single
