Začněte nyníZačněte zdarma

Vyhodnocení víceřídového modelu

Pojďme vyhodnotit náš klasifikátor mraků pomocí přesnosti a úplnosti, abychom zjistili, jak dobře dokáže rozpoznat sedm typů mraků. U víceřídové klasifikace záleží na tom, jak průměruješ skóre přes jednotlivé třídy. Připomeňme si čtyři přístupy:

  • Bez průměrování – výsledky se analyzují zvlášť pro každou třídu;
  • Mikro-průměrování – třídy se ignorují a metriky se počítají globálně;
  • Makro-průměrování – metriky se spočítají pro každou třídu a výsledky se zprůměrují;
  • Vážené průměrování – stejné jako makro, ale průměr je vážený velikostí třídy.

Precision i Recall jsou již naimportované z torchmetrics. Je čas zjistit, jak si náš model vede!

Toto cvičení je součástí kurzu

Intermediate Deep Learning with PyTorch

Zobrazit kurz

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define metrics
metric_precision = Precision(task=____, num_classes=____, average=____)
metric_recall = ____

net.eval()
with torch.no_grad():
    for images, labels in dataloader_test:
        outputs = net(images)
        _, preds = torch.max(outputs, 1)
        metric_precision(preds, labels)
        metric_recall(preds, labels)

precision = metric_precision.compute()
recall = metric_recall.compute()
print(f"Precision: {precision}")
print(f"Recall: {recall}")
Upravit a spustit kód