CommencerCommencer gratuitement

Analyse des métriques par classe

Bien que les mesures agrégées soient des indicateurs utiles de la performance du modèle, il est souvent utile d'examiner les mesures par classe. Cela pourrait révéler des classes pour lesquelles le modèle n'est pas assez performant.

Dans cet exercice, vous exécuterez à nouveau la boucle d'évaluation pour obtenir la précision de notre classificateur de nuages, mais cette fois-ci par classe. Ensuite, vous ferez correspondre ces scores aux noms des classes pour les interpréter. Comme d'habitude, Precision a déjà été importé pour vous. Bonne chance !

Cet exercice fait partie du cours

Apprentissage profond intermédiaire avec PyTorch

Afficher le cours

Instructions

  • Définir une mesure de précision appropriée pour les résultats par classe.
  • Calculez la précision par classe en terminant la compréhension de la dictée, en itérant sur les .items() de l'attribut .class_to_idx de dataset_test.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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