Lernen Herausforderung: Bewertung des Perzeptrons

Zur Bewertung des zuvor erstellten Perzeptrons wird ein Datensatz mit zwei Eingabemerkmalen und zwei unterschiedlichen Klassen (0 und 1) verwendet:

Dieser Datensatz ist ausgeglichen, mit 500 Stichproben der Klasse 1 und 500 Stichproben der Klasse 0. Daher ist die Genauigkeit in diesem Fall ein ausreichendes Bewertungsmaß, das mit der Funktion accuracy_score() berechnet werden kann:

accuracy_score(y_true, y_pred)

y_true steht für die tatsächlichen Labels, während y_pred die vorhergesagten Labels repräsentiert.

Der Datensatz ist in perceptron.py als zwei NumPy-Arrays gespeichert: X (Eingabemerkmale) und y (zugehörige Labels), sodass sie einfach importiert werden können. Diese Datei enthält außerdem model, die Instanz der zuvor erstellten Klasse Perceptron.

Aufgabe

Swipe to start coding

Ziel ist es, die Leistungsfähigkeit des trainierten Perzeptron-Modells auf unbekannten Daten zu bewerten. Befolgen Sie die folgenden Schritte, um den Datensatz aufzuteilen, das Modell zu trainieren, Vorhersagen zu generieren und die Genauigkeit zu messen.

Teilen Sie den Datensatz in Trainingsdaten (80 %) und Testdaten (20 %) mit der Funktion train_test_split().

Verwenden Sie test_size=0.2 und random_state=10, um die Reproduzierbarkeit sicherzustellen.

Trainieren Sie das Perzeptron-Modell für 10 Epochen mit einer Lernrate von 0.01, indem Sie die Methode fit() aufrufen.
Erhalten Sie Vorhersagen für alle Beispiele im Testdatensatz, indem Sie für jedes Eingabebeispiel die Methode forward() des Modells aufrufen.
Runden Sie die Vorhersagen mit np.round(), sodass Wahrscheinlichkeiten größer oder gleich 0.5 als Klasse 1 und Wahrscheinlichkeiten unter 0.5 als Klasse 0 behandelt werden.
Bewerten Sie die Genauigkeit, indem Sie die vorhergesagten Labels mit den tatsächlichen Test-Labels mithilfe der Funktion accuracy_score() aus sklearn.metrics vergleichen.

Lösung

War alles klar?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 12

single

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Suggested prompts:

How do I use the `accuracy_score()` function with my perceptron model?

Can you show me how to import the dataset and model from `perceptron.py`?

What are the next steps to evaluate the perceptron on this dataset?

Awesome!

Completion rate improved to 4

Swipe um das Menü anzuzeigen