ComenzarEmpieza gratis

Análisis de las métricas por clase

Aunque las métricas agregadas son indicadores útiles del rendimiento del modelo, a menudo resulta informativo observar las métricas por clase. Esto podría revelar las clases para las que el modelo tiene un rendimiento inferior.

En este ejercicio, volverás a ejecutar el bucle de evaluación para obtener la precisión de nuestro clasificador de nubes, pero esta vez por clase. Después, asignarás esta puntuación a los nombres de las clases para interpretarlos. Como de costumbre, Precision ya se ha importado. Buena suerte.

Este ejercicio forma parte del curso

Aprendizaje profundo intermedio con PyTorch

Ver curso

Instrucciones del ejercicio

  • Define una métrica de precisión adecuada para los resultados por clase.
  • Calcula la precisión por clase terminando la comprensión del dict e itera por .items() del atributo .class_to_idx de dataset_test.

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# Define precision metric
metric_precision = Precision(
    ____, ____, ____
)

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

# Get precision per class
precision_per_class = {
    k: ____[____].____
    for k, v 
    in ____
}
print(precision_per_class)
Editar y ejecutar código