För att utvärdera den tidigare skapade perceptronen kommer du att använda en datamängd som innehåller **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()`:

```python
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.

Neurala nätverk är kraftfulla algoritmer inspirerade av den mänskliga hjärnans struktur som används för att lösa komplexa maskininlärningsproblem. Du kommer att bygga ett eget neuralt nätverk från grunden för att förstå hur det fungerar. Efter denna kurs kommer du att kunna skapa neurala nätverk för att lösa klassificerings- och regressionsproblem med hjälp av scikit-learn-biblioteket.

Först kommer vi att diskutera vad ett neuralt nätverk är och hur det fungerar. Vi kommer även att behandla dess användningsområden.

Därefter kommer vi att försöka bygga vårt eget neuronnätverk och se hur effektivt det klarar av inlärning. Vi kommer även att titta på en färdig lösning från scikit-learn-biblioteket.

Slutligen kommer vi att ge dig ytterligare användbar information om hur du kan förstå vilken modell som ska användas och vilka typer av neurala nätverk som finns. För att slutföra kursen kommer dina förvärvade kunskaper att testas.

Utmaning: Utvärdera Perceptron

Lösning

Awesome!

Utmaning: Utvärdera Perceptron

Lösning