Вивчайте Завдання: Оцінювання Перцептрона

Секція 1. Розділ 19

single

Свайпніть щоб показати меню

Для оцінки раніше створеного перцептрона використовується набір даних, що містить дві вхідні ознаки та два різні класи (0 і 1):

Цей набір даних є збалансованим і містить 500 зразків класу 1 та 500 зразків класу 0. Тому точність є достатньою метрикою для оцінювання у цьому випадку, яку можна обчислити за допомогою функції accuracy_score():

accuracy_score(y_true, y_pred)

y_true — це фактичні мітки, а y_pred — передбачені мітки.

Набір даних зберігається у файлі perceptron.py у вигляді двох NumPy-масивів: X (вхідні ознаки) та y (відповідні мітки), тому вони просто імпортуються. Цей файл також містить model, який є екземпляром класу Perceptron, створеним раніше.

Завдання

Swipe to start coding

Ваша мета — оцінити, наскільки добре навчена модель перцептрона працює на невідомих даних. Дотримуйтесь наведених нижче кроків, щоб розділити датасет, навчити модель, згенерувати передбачення та виміряти її точність.

Розділіть датасет на тренувальну (80%) та тестову (20%) вибірки за допомогою функції train_test_split().

Використайте test_size=0.2 та random_state=10 для забезпечення відтворюваності.

Навчіть модель перцептрона протягом 10 епох із швидкістю навчання 0.01, викликавши метод fit().
Отримайте передбачення для всіх прикладів у тестовій вибірці, викликаючи метод forward() моделі для кожного вхідного прикладу.
Округліть передбачення за допомогою np.round(), щоб ймовірності, більші або рівні 0.5, вважалися класом 1, а менші за 0.5 — класом 0.
Оцініть точність, порівнявши передбачені мітки з фактичними тестовими мітками за допомогою функції accuracy_score() з sklearn.metrics.

Рішення

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 19

single

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат