Завдання: Оцінювання Перцептрона
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: по 500 зразків для класу 1 та 500 зразків для 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 їх буде просто імпортовано. Цей файл також містить model — екземпляр класу Perceptron, який ви створили раніше.
Swipe to start coding
Отримання прогнозів від навченої моделі та оцінка її ефективності:
- Розділити набір даних на тренувальну (80%) та тестову (20%) вибірки.
- Навчити модель протягом 10 епох із швидкістю навчання
0.01. - Отримати прогнози для всіх прикладів у тестовій вибірці.
- Обчислити точність шляхом порівняння передбачених міток із фактичними мітками тестової вибірки.
Рішення
Дякуємо за ваш відгук!
single
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Awesome!
Completion rate improved to 4Завдання: Оцінювання Перцептрона
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: по 500 зразків для класу 1 та 500 зразків для 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 їх буде просто імпортовано. Цей файл також містить model — екземпляр класу Perceptron, який ви створили раніше.
Swipe to start coding
Отримання прогнозів від навченої моделі та оцінка її ефективності:
- Розділити набір даних на тренувальну (80%) та тестову (20%) вибірки.
- Навчити модель протягом 10 епох із швидкістю навчання
0.01. - Отримати прогнози для всіх прикладів у тестовій вибірці.
- Обчислити точність шляхом порівняння передбачених міток із фактичними мітками тестової вибірки.
Рішення
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
single
