शुरू करेंमुफ़्त में शुरू करें

प्रति-क्लास मेट्रिक्स का विश्लेषण

हालाँकि एग्रीगेटेड मेट्रिक्स मॉडल के प्रदर्शन के उपयोगी संकेतक हैं, अक्सर प्रति-क्लास मेट्रिक्स देखना अधिक जानकारीपूर्ण होता है. इससे वे क्लास सामने आ सकती हैं जिन पर मॉडल कमज़ोर प्रदर्शन करता है.

इस अभ्यास में, आप इवैल्यूएशन लूप दोबारा चलाएँगे ताकि हमारे क्लाउड क्लासिफायर की प्रिसीज़न मिले, लेकिन इस बार प्रति-क्लास. फिर, आप इन स्कोरों को क्लास नामों से मैप करेंगे ताकि उनकी व्याख्या कर सकें. हमेशा की तरह, Precision आपके लिए पहले से इम्पोर्ट किया गया है. शुभकामनाएँ!

यह अभ्यास पाठ्यक्रम का हिस्सा है

इंटरमीडिएट Deep Learning with PyTorch

पाठ्यक्रम देखें

अभ्यास निर्देश

  • प्रति-क्लास परिणामों के अनुरूप एक प्रिसीज़न मेट्रिक परिभाषित करें.
  • .class_to_idx एट्रिब्यूट के .items() पर इटरेट करते हुए, डिक्ट कॉम्प्रिहेंशन पूरा करके प्रति-क्लास प्रिसीज़न की गणना करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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)
कोड संपादित करें और चलाएँ