CommencezCommencez gratuitement

Analyse des métriques par classe

Même si les métriques agrégées sont de bons indicateurs du rendement du modèle, il est souvent utile d'examiner les métriques par classe. Cela peut révéler des classes pour lesquelles le modèle sous-performe.

Dans cet exercice, vous relancerez la boucle d'évaluation pour obtenir la précision de notre classificateur de nuages, mais cette fois par classe. Ensuite, vous ferez la correspondance entre ces scores et les noms de classe pour les interpréter. Comme d'habitude, Precision a déjà été importé pour vous. Bonne chance!

Cette activité fait partie du cours

Apprentissage profond intermédiaire avec PyTorch

Voir le cours

Instructions de l’exercice

  • Définissez une métrique de précision appropriée pour des résultats par classe.
  • Calculez la précision par classe en complétant la compréhension de dict, en itérant sur .items() de l'attribut .class_to_idx de dataset_test.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)
Modifier et exécuter le code