Začněte nyníZačněte zdarma

Vyhodnocení výkonu modelu

Tým PyBooks udělal velký pokrok v doporučovacím systému pro knihy. Modelářský tým ti připravil dva různé modely pro tento systém. Jeden model je postavený na LSTM (lstm_model) a druhý používá GRU (gru_model). Tvým úkolem je tyto modely vyhodnotit a porovnat.

K dispozici máš testovací štítky y_test a predikce y_pred_lstm pro lstm_model a y_pred_gru pro gru_model.

Toto cvičení je součástí kurzu

Deep Learning for Text with PyTorch

Zobrazit kurz

Pokyny k cvičení

  • Definuj přesnost (accuracy), preciznost (precision), návratnost (recall) a F1 skóre pro vícetřídní klasifikaci zadáním parametrů num_classes a task.
  • Vypočítej a vypiš accuracy, precision, recall a F1 skóre pro lstm_model.
  • Stejným způsobem vypočítej hodnoticí metriky pro gru_model.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create an instance of the metrics
accuracy = ____(task=____, num_classes=3)
precision = ____(task=____, num_classes=3)
recall = ____(task=____, num_classes=3)
f1 = ____(task=____, num_classes=3)

# Calculate metrics for the LSTM model
accuracy_1 = accuracy(____, ____)
precision_1 = precision(____, ____)
recall_1 = recall(____, ____)
f1_1 = f1(____, ____)
print("LSTM Model - Accuracy: {}, Precision: {}, Recall: {}, F1 Score: {}".format(accuracy_1, precision_1, recall_1, f1_1))

# Calculate metrics for the GRU model
accuracy_2 = accuracy(____, ____)
precision_2 = precision(____, ____)
recall_2 = recall(____, ____)
f1_2 = f1(____, ____)
print("GRU Model - Accuracy: {}, Precision: {}, Recall: {}, F1 Score: {}".format(accuracy_2, precision_2, recall_2, f1_2))
Upravit a spustit kód