CommencerCommencer gratuitement

Analyser les métriques par classe

Même si les métriques agrégées donnent une bonne idée des performances du modèle, il est souvent utile d’examiner les métriques par classe. Cela peut révéler des classes pour lesquelles le modèle est moins performant.

Dans cet exercice, vous allez relancer la boucle d’évaluation pour obtenir la précision de notre classificateur de nuages, cette fois-ci par classe. Ensuite, vous associerez ces scores aux noms de classes pour les interpréter. Comme d’habitude, Precision a déjà été importé pour vous. Bonne chance !

Cet exercice fait partie du cours

Deep learning intermédiaire avec PyTorch

Afficher le cours

Instructions

  • Définissez une métrique de précision adaptée à des résultats par classe.
  • Calculez la précision par classe en complétant la compréhension de dictionnaire, en itérant sur .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