Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lära Utmaning: Utvärdera Perceptron | Neuronnätverk Från Grunden
Introduktion till neurala nätverk

bookUtmaning: Utvärdera Perceptron

För att utvärdera den tidigare skapade perceptronen används en datamängd med två indatafunktioner och två distinkta klasser (0 och 1):

Denna datamängd är balanserad, med 500 prover från klass 1 och 500 prover från klass 0. Därför är noggrannhet en tillräcklig metrisk för utvärdering i detta fall, vilket kan beräknas med funktionen accuracy_score():

accuracy_score(y_true, y_pred)

y_true representerar de faktiska etiketterna, medan y_pred representerar de förutsagda etiketterna.

Datamängden lagras i perceptron.py som två NumPy-arrayer: X (indatafunktioner) och y (motsvarande etiketter), så de kommer helt enkelt att importeras. Denna fil innehåller även model, som är instansen av klassen Perceptron som du tidigare skapade.

Uppgift

Swipe to start coding

Hämta förutsägelser från den tränade modellen och utvärdera dess prestanda:

  1. Dela upp datasettet i träning (80 %) och test (20 %) uppsättningar.
  2. Träna modellen i 10 epoker med en inlärningshastighet på 0.01.
  3. Hämta förutsägelser för alla exempel i testuppsättningen.
  4. Beräkna noggrannheten genom att jämföra de förutsagda etiketterna med de faktiska testetiketterna.

Lösning

Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 12
single

single

Fråga AI

expand

Fråga AI

ChatGPT

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Suggested prompts:

How do I use the `accuracy_score()` function with my perceptron model?

Can you show me how to import the dataset and model from `perceptron.py`?

What are the next steps to evaluate the perceptron on this dataset?

close

Awesome!

Completion rate improved to 4

bookUtmaning: Utvärdera Perceptron

Svep för att visa menyn

För att utvärdera den tidigare skapade perceptronen används en datamängd med två indatafunktioner och två distinkta klasser (0 och 1):

Denna datamängd är balanserad, med 500 prover från klass 1 och 500 prover från klass 0. Därför är noggrannhet en tillräcklig metrisk för utvärdering i detta fall, vilket kan beräknas med funktionen accuracy_score():

accuracy_score(y_true, y_pred)

y_true representerar de faktiska etiketterna, medan y_pred representerar de förutsagda etiketterna.

Datamängden lagras i perceptron.py som två NumPy-arrayer: X (indatafunktioner) och y (motsvarande etiketter), så de kommer helt enkelt att importeras. Denna fil innehåller även model, som är instansen av klassen Perceptron som du tidigare skapade.

Uppgift

Swipe to start coding

Hämta förutsägelser från den tränade modellen och utvärdera dess prestanda:

  1. Dela upp datasettet i träning (80 %) och test (20 %) uppsättningar.
  2. Träna modellen i 10 epoker med en inlärningshastighet på 0.01.
  3. Hämta förutsägelser för alla exempel i testuppsättningen.
  4. Beräkna noggrannheten genom att jämföra de förutsagda etiketterna med de faktiska testetiketterna.

Lösning

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 12
single

single

some-alt