Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Вивчайте Завдання: Оцінювання Перцептрона | Нейронна Мережа з Нуля
Вступ до нейронних мереж

bookЗавдання: 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.

Завдання

Swipe to start coding

Отримання прогнозів від навченої моделі та оцінка її ефективності:

  1. Розділити набір даних на тренувальну (80%) та тестову (20%) вибірки.
  2. Навчити модель протягом 10 епох із швидкістю навчання 0.01.
  3. Отримати прогнози для всіх прикладів у тестовій вибірці.
  4. Обчислити точність шляхом порівняння передбачених міток із фактичними мітками тестової вибірки.

Рішення

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 2. Розділ 12
single

single

Запитати АІ

expand

Запитати АІ

ChatGPT

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

close

Awesome!

Completion rate improved to 4

bookЗавдання: 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.

Завдання

Swipe to start coding

Отримання прогнозів від навченої моделі та оцінка її ефективності:

  1. Розділити набір даних на тренувальну (80%) та тестову (20%) вибірки.
  2. Навчити модель протягом 10 епох із швидкістю навчання 0.01.
  3. Отримати прогнози для всіх прикладів у тестовій вибірці.
  4. Обчислити точність шляхом порівняння передбачених міток із фактичними мітками тестової вибірки.

Рішення

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 2. Розділ 12
single

single

some-alt