Lära Utmaning: Utvärdera Perceptron | Neuronnätverk Från Grunden

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 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

Ditt mål 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 tränings- (80%) och test- (20%) uppsättningar med hjälp av funktionen train_test_split().

Använd test_size=0.2 och random_state=10 för att säkerställa reproducerbarhet.

Träna perceptronmodellen i 10 epoker med en inlärningshastighet på 0.01 genom att anropa metoden fit().
Hämta prediktioner för alla exempel i testuppsättningen genom att anropa modellens forward()-metod för varje indataexempel.
Avrunda prediktionerna med np.round() så att sannolikheter större än eller lika med 0.5 behandlas som klass 1, och de under 0.5 som klass 0.
Utvärdera noggrannheten genom att jämföra de förutsagda etiketterna med de faktiska testetiketterna med hjälp av funktionen accuracy_score() från sklearn.metrics.

Lösning

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 12

single

Fråga AI

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

Awesome!

Completion rate improved to 4

Svep för att visa menyn