Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Desafio: Avaliando o Perceptron | Rede Neural do Zero
Introdução às Redes Neurais

bookDesafio: 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), portanto, serão simplesmente importados. Este arquivo também contém model, que é a instância da classe Perceptron criada anteriormente.

Tarefa

Swipe to start coding

Obtenha previsões do modelo treinado e avalie seu desempenho:

  1. Divida o conjunto de dados em conjuntos de treinamento (80%) e teste (20%).
  2. Treine o modelo por 10 épocas com uma taxa de aprendizado de 0.01.
  3. Obtenha previsões para todos os exemplos no conjunto de teste.
  4. Calcule a acurácia comparando os rótulos previstos com os rótulos reais do teste.

Solução

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 2. Capítulo 12
single

single

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

close

Awesome!

Completion rate improved to 4

bookDesafio: 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), portanto, serão simplesmente importados. Este arquivo também contém model, que é a instância da classe Perceptron criada anteriormente.

Tarefa

Swipe to start coding

Obtenha previsões do modelo treinado e avalie seu desempenho:

  1. Divida o conjunto de dados em conjuntos de treinamento (80%) e teste (20%).
  2. Treine o modelo por 10 épocas com uma taxa de aprendizado de 0.01.
  3. Obtenha previsões para todos os exemplos no conjunto de teste.
  4. Calcule a acurácia comparando os rótulos previstos com os rótulos reais do teste.

Solução

Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 2. Capítulo 12
single

single

some-alt