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), portanto, serão simplesmente importados. Este arquivo também contém model
, que é a instância da classe Perceptron
criada anteriormente.
Swipe to start coding
Obtenha previsões do modelo treinado e avalie seu desempenho:
- Divida o conjunto de dados em conjuntos de treinamento (80%) e teste (20%).
- Treine o modelo por 10 épocas com uma taxa de aprendizado de
0.01
. - Obtenha previsões para todos os exemplos no conjunto de teste.
- Calcule a acurácia comparando os rótulos previstos com os rótulos reais do teste.
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 4
Desafio: 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.
Swipe to start coding
Obtenha previsões do modelo treinado e avalie seu desempenho:
- Divida o conjunto de dados em conjuntos de treinamento (80%) e teste (20%).
- Treine o modelo por 10 épocas com uma taxa de aprendizado de
0.01
. - Obtenha previsões para todos os exemplos no conjunto de teste.
- Calcule a acurácia comparando os rótulos previstos com os rótulos reais do teste.
Solução
Obrigado pelo seu feedback!
single