Avaliação do Modelo
Preparação para Avaliação
Antes de iniciar o processo de avaliação no conjunto de teste, é necessário garantir o seguinte:
-
Definir o modelo para o modo de avaliação: utilize
model.eval()para desativar recursos como dropout e normalização em lote, assegurando comportamento consistente durante a avaliação; -
Desabilitar o rastreamento de gradientes: utilize
torch.no_grad()para economizar memória e acelerar os cálculos, já que os gradientes não são necessários durante a avaliação.
# 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)
Convertendo as Previsões
Como já mencionado anteriormente, a saída do modelo será logits (pontuações brutas). Para obter os rótulos de classe previstos, utilizamos torch.argmax para extrair o índice do valor máximo ao longo da dimensão das classes.
# Convert logits to predicted class labels
predicted_labels = torch.argmax(test_predictions, dim=1)
Cálculo de Métricas
Para problemas de classificação, a acurácia é uma métrica inicial útil, desde que o conjunto de dados seja balanceado.
# Calculate accuracy
correct_predictions = (predicted_labels == y_test).sum().item()
accuracy = correct_predictions / len(y_test) * 100
print(f"Test accuracy: {accuracy:.2f}%")
Para obter insights mais aprofundados sobre o desempenho do modelo, é possível calcular métricas adicionais como precisão, revocação e F1-score. Saiba mais sobre essas métricas e suas fórmulas neste artigo, utilizando suas respectivas fórmulas.
Implementação Completa
123456789101112131415161718import torch import os os.system('wget https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/model_training.py 2>/dev/null') from model_training import model, X_test, y_test # Set model to evaluation mode model.eval() # Disable gradient tracking with torch.no_grad(): # Forward pass test_predictions = model(X_test) # Get predicted classes predicted_labels = torch.argmax(test_predictions, dim=1) # Calculate accuracy correct_predictions = (predicted_labels == y_test).sum().item() accuracy = correct_predictions / len(y_test) * 100 print(f"Test accuracy: {accuracy:.2f}%")
Obrigado pelo seu feedback!
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Can you explain what precision, recall, and F1-score mean?
How can I calculate precision, recall, and F1-score in PyTorch?
Why is it important to use metrics other than accuracy for imbalanced datasets?
Awesome!
Completion rate improved to 5Avaliação do Modelo
Deslize para mostrar o menu
Preparação para Avaliação
Antes de iniciar o processo de avaliação no conjunto de teste, é necessário garantir o seguinte:
-
Definir o modelo para o modo de avaliação: utilize
model.eval()para desativar recursos como dropout e normalização em lote, assegurando comportamento consistente durante a avaliação; -
Desabilitar o rastreamento de gradientes: utilize
torch.no_grad()para economizar memória e acelerar os cálculos, já que os gradientes não são necessários durante a avaliação.
# 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)
Convertendo as Previsões
Como já mencionado anteriormente, a saída do modelo será logits (pontuações brutas). Para obter os rótulos de classe previstos, utilizamos torch.argmax para extrair o índice do valor máximo ao longo da dimensão das classes.
# Convert logits to predicted class labels
predicted_labels = torch.argmax(test_predictions, dim=1)
Cálculo de Métricas
Para problemas de classificação, a acurácia é uma métrica inicial útil, desde que o conjunto de dados seja balanceado.
# Calculate accuracy
correct_predictions = (predicted_labels == y_test).sum().item()
accuracy = correct_predictions / len(y_test) * 100
print(f"Test accuracy: {accuracy:.2f}%")
Para obter insights mais aprofundados sobre o desempenho do modelo, é possível calcular métricas adicionais como precisão, revocação e F1-score. Saiba mais sobre essas métricas e suas fórmulas neste artigo, utilizando suas respectivas fórmulas.
Implementação Completa
123456789101112131415161718import torch import os os.system('wget https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/model_training.py 2>/dev/null') from model_training import model, X_test, y_test # Set model to evaluation mode model.eval() # Disable gradient tracking with torch.no_grad(): # Forward pass test_predictions = model(X_test) # Get predicted classes predicted_labels = torch.argmax(test_predictions, dim=1) # Calculate accuracy correct_predictions = (predicted_labels == y_test).sum().item() accuracy = correct_predictions / len(y_test) * 100 print(f"Test accuracy: {accuracy:.2f}%")
Obrigado pelo seu feedback!
