НачатьНачать бесплатно

Оценка производительности модели

Команда PyBooks активно работает над движком рекомендации книг. Команда разработчиков моделей предоставила вам две модели для движка рекомендации книг PyBooks. Одна модель основана на LSTM (lstm_model), другая использует GRU (gru_model). Ваша задача — оценить и сравнить эти модели.

Вам доступны тестовые метки y_test, а также предсказания модели: y_pred_lstm для lstm_model и y_pred_gru для gru_model.

Это упражнение является частью курса

Глубокое обучение для работы с текстом на PyTorch

Посмотреть курс

Инструкции к упражнению

  • Определите метрики accuracy, precision, recall и F1 для многоклассовой классификации, задав параметры num_classes и task.
  • Вычислите и выведите значения accuracy, precision, recall и F1 для lstm_model.
  • Аналогичным образом вычислите метрики оценки для gru_model.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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))
Редактировать и запускать код