Завдання: Оцінювання Перцептрона
Для оцінки раніше створеного перцептрона використовується датасет, що містить дві вхідні ознаки та два різні класи (0
і 1
):
Цей датасет є збалансованим: по 500 зразків класу 1
та 500 зразків класу 0
. Тому в даному випадку точність є достатньою метрикою для оцінки, яку можна обчислити за допомогою функції accuracy_score()
:
accuracy_score(y_true, y_pred)
y_true
— це фактичні мітки, а y_pred
— передбачені мітки.
Датасет зберігається у файлі perceptron.py
у вигляді двох NumPy-масивів: X
(вхідні ознаки) та y
(відповідні мітки), тому їх буде просто імпортовано. У цьому файлі також міститься 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 4
Завдання: Оцінювання Перцептрона
Свайпніть щоб показати меню
Для оцінки раніше створеного перцептрона використовується датасет, що містить дві вхідні ознаки та два різні класи (0
і 1
):
Цей датасет є збалансованим: по 500 зразків класу 1
та 500 зразків класу 0
. Тому в даному випадку точність є достатньою метрикою для оцінки, яку можна обчислити за допомогою функції accuracy_score()
:
accuracy_score(y_true, y_pred)
y_true
— це фактичні мітки, а y_pred
— передбачені мітки.
Датасет зберігається у файлі perceptron.py
у вигляді двох NumPy-масивів: X
(вхідні ознаки) та y
(відповідні мітки), тому їх буде просто імпортовано. У цьому файлі також міститься 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