Förberedelse för utvärdering

Innan du påbörjar utvärderingsprocessen på testuppsättningen behöver du säkerställa följande:

1. Sätt modellen i utvärderingsläge: använd model.eval() för att stänga av funktioner som dropout och batchnormalisering, vilket säkerställer konsekvent beteende under utvärdering;

2. Inaktivera gradientspårning: använd torch.no_grad() för att spara minne och snabba upp beräkningar, eftersom gradienter inte behövs vid utvärdering.

# 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)

Omvandla prediktioner

Som nämnts tidigare kommer modellens utdata att vara logits (råa poäng). För att få de förutsagda klassetiketterna använder vi torch.argmax för att extrahera indexet för det högsta värdet längs klassdimensionen.

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

Beräkning av mått

För klassificeringsproblem är noggrannhet ett användbart startmått, förutsatt att datasättet är balanserat.

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

För att få djupare insikter i modellens prestanda kan du beräkna ytterligare mått såsom precision, återkallelse och F1-poäng. Du kan läsa mer om dessa mått och deras formler i denna artikel, där deras respektive formler används.

Fullständig implementering