Uitdaging: Evaluatie van de Perceptron
Om de eerder gemaakte perceptron te evalueren, wordt een dataset gebruikt met twee invoerkenmerken en twee verschillende klassen (0 en 1):
Deze dataset is gebalanceerd, met 500 voorbeelden uit klasse 1 en 500 voorbeelden uit klasse 0. Daarom is nauwkeurigheid een voldoende maatstaf voor evaluatie in dit geval, wat berekend kan worden met de functie accuracy_score():
accuracy_score(y_true, y_pred)
y_true staat voor de werkelijke labels, terwijl y_pred de voorspelde labels weergeeft.
De dataset is opgeslagen in perceptron.py als twee NumPy-arrays: X (invoerkenmerken) en y (overeenkomende labels), zodat deze eenvoudig geïmporteerd kunnen worden. Dit bestand bevat ook model, de instantie van de Perceptron-klasse die eerder is aangemaakt.
Swipe to start coding
Verkrijg voorspellingen van het getrainde model en evalueer de prestaties:
- Verdeel de dataset in trainings- (80%) en test- (20%) sets.
- Train het model gedurende 10 epochs met een leersnelheid van
0.01. - Verkrijg voorspellingen voor alle voorbeelden in de testset.
- Bereken de nauwkeurigheid door de voorspelde labels te vergelijken met de werkelijke testlabels.
Oplossing
Bedankt voor je feedback!
single
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Awesome!
Completion rate improved to 4Uitdaging: Evaluatie van de Perceptron
Veeg om het menu te tonen
Om de eerder gemaakte perceptron te evalueren, wordt een dataset gebruikt met twee invoerkenmerken en twee verschillende klassen (0 en 1):
Deze dataset is gebalanceerd, met 500 voorbeelden uit klasse 1 en 500 voorbeelden uit klasse 0. Daarom is nauwkeurigheid een voldoende maatstaf voor evaluatie in dit geval, wat berekend kan worden met de functie accuracy_score():
accuracy_score(y_true, y_pred)
y_true staat voor de werkelijke labels, terwijl y_pred de voorspelde labels weergeeft.
De dataset is opgeslagen in perceptron.py als twee NumPy-arrays: X (invoerkenmerken) en y (overeenkomende labels), zodat deze eenvoudig geïmporteerd kunnen worden. Dit bestand bevat ook model, de instantie van de Perceptron-klasse die eerder is aangemaakt.
Swipe to start coding
Verkrijg voorspellingen van het getrainde model en evalueer de prestaties:
- Verdeel de dataset in trainings- (80%) en test- (20%) sets.
- Train het model gedurende 10 epochs met een leersnelheid van
0.01. - Verkrijg voorspellingen voor alle voorbeelden in de testset.
- Bereken de nauwkeurigheid door de voorspelde labels te vergelijken met de werkelijke testlabels.
Oplossing
Schakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande optiesBedankt voor je feedback!
single
