Vorbereitung auf die Bewertung

Bevor Sie mit dem Bewertungsprozess auf dem Testset beginnen, müssen Sie Folgendes sicherstellen:

1. Setzen Sie das Modell in den Evaluierungsmodus: Verwenden Sie model.eval(), um Funktionen wie Dropout und Batch-Normalisierung zu deaktivieren und ein konsistentes Verhalten während der Bewertung sicherzustellen;

2. Deaktivieren Sie das Gradienten-Tracking: Verwenden Sie torch.no_grad(), um Speicher zu sparen und Berechnungen zu beschleunigen, da während der Bewertung keine Gradienten erforderlich sind.

# Set the model to evaluation mode
model.eval()
# Disable gradient computation for evaluation
with torch.no_grad():
    # Forward pass on the test data
    test_predictions = model(X_test)

Umwandlung von Vorhersagen

Wie bereits zuvor erwähnt, wird die Ausgabe des Modells Logits (Rohwerte) sein. Um die vorhergesagten Klassenlabels zu erhalten, verwenden wir torch.argmax, um den Index des maximalen Wertes entlang der Klassendimension zu extrahieren.

# Convert logits to predicted class labels
predicted_labels = torch.argmax(test_predictions, dim=1)

Berechnung von Metriken

Für Klassifikationsprobleme ist Genauigkeit ein nützlicher Ausgangsmetriker, vorausgesetzt, der Datensatz ist ausgewogen.

# Calculate accuracy
correct_predictions = (predicted_labels == y_test).sum().item()
accuracy = correct_predictions / len(y_test) * 100
print(f"Test accuracy: {accuracy:.2f}%")

Um tiefere Einblicke in die Modellleistung zu gewinnen, können Sie zusätzliche Metriken wie Präzision, Recall und F1-Score berechnen. Sie können mehr über diese Metriken und ihre Formeln in diesem Artikel erfahren, indem Sie ihre jeweiligen Formeln verwenden.

Vollständige Implementierung