Leistung bei der Klassifizierung mehrerer Klassen
In dieser Übung berechnest du die Leistungskennzahlen für Modelle mit dem Modul „ sklearn.metrics “.
Das Modell ist schon trainiert und in der Variablen „ model “ gespeichert. Außerdem werden die Variablen „ X_test “ und „ y_true “ zusammen mit den Funktionen „ confusion_matrix() “ und „ classification_report() “ aus dem Paket „ sklearn.metrics “ geladen.
Zuerst berechnest du die Verwechslungsmatrix des Modells. Um die Leistung eines Modells zusammenzufassen, berechnest du die Präzision, den Recall und den F1-Score mit der Funktion „ classification_report() “. In dieser Funktion kannst du optional ein Argument vom Typ „ list “ mit den Klassennamen (die in der Variablen „ news_cat “ gespeichert sind) an den Parameter „ target_names “ übergeben, um den Bericht übersichtlicher zu gestalten.
Diese Übung ist Teil des Kurses
Rekursive neuronale Netze (RNNs) für die Sprachmodellierung mit Keras
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Use the model to predict on new data
____ = model.____(X_test)
# Choose the class with higher probability
y_pred = np.____(predicted, axis=1)