Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Utfordring: Evaluering av Perceptron | Nevralt Nettverk fra Bunnen Av
Introduksjon til nevrale nettverk

bookUtfordring: 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.

Oppgave

Swipe to start coding

Hent prediksjoner fra den trente modellen og evaluer ytelsen:

  1. Del datasettet i treningssett (80 %) og testsett (20 %).
  2. Tren modellen i 10 epoker med en læringsrate på 0.01.
  3. Hent prediksjoner for alle eksempler i testsettet.
  4. Beregn nøyaktighet ved å sammenligne de predikerte etikettene med de faktiske testetikettene.

Løsning

Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 12
single

single

Spør AI

expand

Spør AI

ChatGPT

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

close

Awesome!

Completion rate improved to 4

bookUtfordring: 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.

Oppgave

Swipe to start coding

Hent prediksjoner fra den trente modellen og evaluer ytelsen:

  1. Del datasettet i treningssett (80 %) og testsett (20 %).
  2. Tren modellen i 10 epoker med en læringsrate på 0.01.
  3. Hent prediksjoner for alle eksempler i testsettet.
  4. Beregn nøyaktighet ved å sammenligne de predikerte etikettene med de faktiske testetikettene.

Løsning

Switch to desktopBytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor
Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 12
single

single

some-alt