Evaluar el rendimiento del modelo

El equipo de PyBooks ha avanzado con el motor de recomendación de libros. El equipo de modelos te ha proporcionado dos modelos listos para tu motor de recomendaciones en PyBooks. Un modelo está basado en LSTM (lstm_model) y el otro utiliza una GRU (gru_model). Tu tarea es evaluar y comparar estos modelos.

Dispones de las etiquetas de prueba y_test y de las predicciones del modelo: y_pred_lstm para lstm_model y y_pred_gru para gru_model.

Este ejercicio forma parte del curso

Deep Learning para texto con PyTorch

Ver curso

Instrucciones del ejercicio

Define accuracy, precision, recall y F1 para la clasificación multiclase especificando num_classes y task.
Calcula e imprime la accuracy, la precision, el recall y la F1 para lstm_model.
Del mismo modo, calcula las métricas de evaluación para gru_model.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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))

Editar y ejecutar código