Utmaning: Utvärdera Perceptron
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():
accuracy_score(y_true, y_pred)
y_true representerar de faktiska etiketterna, medan y_pred representerar de förutsagda etiketterna.
Datamängden är lagrad 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.
Swipe to start coding
Målet är att utvärdera hur väl den tränade perceptronmodellen presterar på osedda data. Följ stegen nedan för att dela upp datasettet, träna modellen, generera prediktioner och mäta dess noggrannhet.
- Dela upp datasettet i träningsdata (80%) och testdata (20%) med hjälp av funktionen
train_test_split().
- Använd
test_size=0.2ochrandom_state=10för att säkerställa reproducerbarhet.
- Träna perceptronmodellen i 10 epoker med en inlärningshastighet på
0.01genom att anropa metodenfit(). - Hämta prediktioner för alla exempel i testsetet genom att anropa modellens
forward()-metod för varje indataexempel. - Avrunda prediktionerna med
np.round()så att sannolikheter större än eller lika med0.5behandlas som klass1, och de under0.5som klass0. - Utvärdera noggrannheten genom att jämföra de predicerade etiketterna med de faktiska testetiketterna med hjälp av funktionen
accuracy_score()frånsklearn.metrics.
Lösning
Tack för dina kommentarer!
single
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
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?
Awesome!
Completion rate improved to 4Utmaning: Utvärdera Perceptron
Svep för att visa menyn
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():
accuracy_score(y_true, y_pred)
y_true representerar de faktiska etiketterna, medan y_pred representerar de förutsagda etiketterna.
Datamängden är lagrad 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.
Swipe to start coding
Målet är att utvärdera hur väl den tränade perceptronmodellen presterar på osedda data. Följ stegen nedan för att dela upp datasettet, träna modellen, generera prediktioner och mäta dess noggrannhet.
- Dela upp datasettet i träningsdata (80%) och testdata (20%) med hjälp av funktionen
train_test_split().
- Använd
test_size=0.2ochrandom_state=10för att säkerställa reproducerbarhet.
- Träna perceptronmodellen i 10 epoker med en inlärningshastighet på
0.01genom att anropa metodenfit(). - Hämta prediktioner för alla exempel i testsetet genom att anropa modellens
forward()-metod för varje indataexempel. - Avrunda prediktionerna med
np.round()så att sannolikheter större än eller lika med0.5behandlas som klass1, och de under0.5som klass0. - Utvärdera noggrannheten genom att jämföra de predicerade etiketterna med de faktiska testetiketterna med hjälp av funktionen
accuracy_score()frånsklearn.metrics.
Lösning
Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedanTack för dina kommentarer!
single
