Vorbereitung auf die Auswertung

Vor Beginn des Auswertungsprozesses auf dem Testdatensatz sollten Sie Folgendes sicherstellen:

1. Modell in den Auswertungsmodus versetzen: Verwenden Sie model.eval(), um Funktionen wie Dropout und Batch-Normalisierung zu deaktivieren und ein konsistentes Verhalten während der Auswertung zu gewährleisten;

2. Gradientenberechnung deaktivieren: Verwenden Sie torch.no_grad(), um Speicher zu sparen und die Berechnungen zu beschleunigen, da während der Auswertung keine Gradienten benötigt werden.

# 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 der Vorhersagen

Wie bereits zuvor erwähnt, gibt das Modell Logits (Rohwerte) als Ausgabe zurück. Um die vorhergesagten Klassenlabels zu erhalten, verwenden wir torch.argmax, um den Index des maximalen Werts 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 die Genauigkeit eine sinnvolle Anfangsmetrik, sofern der Datensatz ausgewogen ist.

# 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 erhalten, können zusätzliche Metriken wie Präzision, Recall und F1-Score berechnet werden. Weitere Informationen zu diesen Metriken und deren Formeln finden Sie in diesem Artikel, unter Verwendung der jeweiligen Formeln.

Vollständige Implementierung