Prestazioni nella classificazione multiclasse
In questo esercizio calcolerai le metriche di prestazione per i modelli usando il modulo sklearn.metrics.
Il modello è già addestrato e memorizzato nella variabile model. Anche le variabili X_test e y_true sono caricate, insieme alle funzioni confusion_matrix() e classification_report() dal pacchetto sklearn.metrics.
Per prima cosa calcolerai la confusion matrix del modello. Poi, per riassumere le prestazioni del modello, calcolerai precision, recall e F1-score usando la funzione classification_report(). In questa funzione puoi facoltativamente passare una list contenente i nomi delle classi (sono memorizzati nella variabile news_cat) al parametro target_names per rendere il report più leggibile.
Questo esercizio fa parte del corso
Reti Neurali Ricorrenti (RNN) per il Language Modeling con Keras
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Use the model to predict on new data
____ = model.____(X_test)
# Choose the class with higher probability
y_pred = np.____(predicted, axis=1)