शुरू करेंमुफ़्त में शुरू करें

मॉडल के प्रदर्शन का मूल्यांकन

PyBooks टीम ने बुक रिकमेंडेशन इंजन पर अच्छी प्रगति की है. मॉडलिंग टीम ने आपके लिए PyBooks के बुक रिकमेंडेशन इंजन हेतु दो अलग-अलग मॉडल तैयार किए हैं. एक मॉडल LSTM (lstm_model) पर आधारित है और दूसरा GRU (gru_model) का उपयोग करता है. आपको इन मॉडलों का मूल्यांकन करने और तुलना करने का कार्य सौंपा गया है.

टेस्टिंग लेबल y_test और मॉडलों की भविष्यवाणियाँ — lstm_model के लिए y_pred_lstm और gru_model के लिए y_pred_gru — उपलब्ध हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

PyTorch के साथ टेक्स्ट के लिए डीप लर्निंग

पाठ्यक्रम देखें

अभ्यास निर्देश

  • num_classes और task निर्दिष्ट करके multi-class classification के लिए accuracy, precision, recall और F1 परिभाषित करें.
  • lstm_model के लिए accuracy, precision, recall और F1 स्कोर की गणना करें और प्रिंट करें.
  • इसी तरह, gru_model के लिए भी evaluation metrics की गणना करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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))
कोड संपादित करें और चलाएँ