Desafio: Avaliando o Perceptron
Para avaliar o perceptron criado anteriormente, será utilizado um conjunto de dados contendo duas características de entrada e duas classes distintas (0 e 1):
Este conjunto de dados é balanceado, com 500 amostras da classe 1 e 500 amostras da classe 0. Portanto, a acurácia é uma métrica suficiente para avaliação neste caso, podendo ser calculada utilizando a função accuracy_score():
accuracy_score(y_true, y_pred)
y_true representa os rótulos reais, enquanto y_pred representa os rótulos previstos.
O conjunto de dados está armazenado em perceptron.py como dois arrays NumPy: X (características de entrada) e y (rótulos correspondentes), então eles serão simplesmente importados. Este arquivo também contém model, que é a instância da classe Perceptron criada anteriormente.
Swipe to start coding
Seu objetivo é avaliar o desempenho do modelo perceptron treinado em dados não vistos. Siga os passos abaixo para dividir o conjunto de dados, treinar o modelo, gerar previsões e medir sua acurácia.
- Divida o conjunto de dados em conjuntos de treinamento (80%) e teste (20%) utilizando a função
train_test_split().
- Utilize
test_size=0.2erandom_state=10para garantir a reprodutibilidade.
- Treine o modelo perceptron por 10 épocas com uma taxa de aprendizado de
0.01utilizando o métodofit(). - Obtenha previsões para todos os exemplos no conjunto de teste chamando o método
forward()do modelo para cada exemplo de entrada. - Arredonde as previsões utilizando
np.round()para que probabilidades maiores ou iguais a0.5sejam consideradas como classe1, e aquelas abaixo de0.5como classe0. - Avalie a acurácia comparando os rótulos previstos com os rótulos reais do teste utilizando a função
accuracy_score()dosklearn.metrics.
Solução
Obrigado pelo seu feedback!
single
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 4Desafio: Avaliando o Perceptron
Deslize para mostrar o menu
Para avaliar o perceptron criado anteriormente, será utilizado um conjunto de dados contendo duas características de entrada e duas classes distintas (0 e 1):
Este conjunto de dados é balanceado, com 500 amostras da classe 1 e 500 amostras da classe 0. Portanto, a acurácia é uma métrica suficiente para avaliação neste caso, podendo ser calculada utilizando a função accuracy_score():
accuracy_score(y_true, y_pred)
y_true representa os rótulos reais, enquanto y_pred representa os rótulos previstos.
O conjunto de dados está armazenado em perceptron.py como dois arrays NumPy: X (características de entrada) e y (rótulos correspondentes), então eles serão simplesmente importados. Este arquivo também contém model, que é a instância da classe Perceptron criada anteriormente.
Swipe to start coding
Seu objetivo é avaliar o desempenho do modelo perceptron treinado em dados não vistos. Siga os passos abaixo para dividir o conjunto de dados, treinar o modelo, gerar previsões e medir sua acurácia.
- Divida o conjunto de dados em conjuntos de treinamento (80%) e teste (20%) utilizando a função
train_test_split().
- Utilize
test_size=0.2erandom_state=10para garantir a reprodutibilidade.
- Treine o modelo perceptron por 10 épocas com uma taxa de aprendizado de
0.01utilizando o métodofit(). - Obtenha previsões para todos os exemplos no conjunto de teste chamando o método
forward()do modelo para cada exemplo de entrada. - Arredonde as previsões utilizando
np.round()para que probabilidades maiores ou iguais a0.5sejam consideradas como classe1, e aquelas abaixo de0.5como classe0. - Avalie a acurácia comparando os rótulos previstos com os rótulos reais do teste utilizando a função
accuracy_score()dosklearn.metrics.
Solução
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoObrigado pelo seu feedback!
single
