Valutazione di un modello multi-classe
Valutiamo il nostro classificatore di nuvole con precision e recall per vedere quanto bene riesce a classificare i sette tipi di nuvole. In questo task di classificazione multi-classe è importante come medi i punteggi sulle classi. Ricorda che ci sono quattro approcci:
- Nessuna media, analizzando i risultati per classe;
- Micro-average, ignorando le classi e calcolando le metriche globalmente;
- Macro-average, calcolando le metriche per classe e poi facendone la media;
- Weighted-average, come la macro ma con una media ponderata in base alla dimensione della classe.
Sia Precision che Recall sono già state importate da torchmetrics. È il momento di vedere come se la cava il nostro modello!
Questo esercizio fa parte del corso
Deep Learning intermedio con PyTorch
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Define metrics
metric_precision = Precision(task=____, num_classes=____, average=____)
metric_recall = ____
net.eval()
with torch.no_grad():
for images, labels in dataloader_test:
outputs = net(images)
_, preds = torch.max(outputs, 1)
metric_precision(preds, labels)
metric_recall(preds, labels)
precision = metric_precision.compute()
recall = metric_recall.compute()
print(f"Precision: {precision}")
print(f"Recall: {recall}")