НачатьНачать бесплатно

Анализ метрик по классам

Агрегированные метрики дают общее представление о качестве модели, однако не менее полезно изучить метрики отдельно по каждому классу — это позволяет выявить классы, с которыми модель справляется хуже.

В этом упражнении вы снова запустите цикл оценки, чтобы получить точность (precision) классификатора облаков — на этот раз для каждого класса отдельно. Затем вы сопоставите полученные значения с названиями классов, чтобы интерпретировать результаты. Как обычно, Precision уже импортирован. Удачи!

Это упражнение является частью курса

Глубокое обучение на PyTorch: средний уровень

Посмотреть курс

Инструкции к упражнению

  • Определите метрику точности, подходящую для получения результатов по каждому классу.
  • Вычислите точность для каждого класса, завершив генератор словаря: выполните итерацию по .items() атрибута .class_to_idx объекта dataset_test.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)
Редактировать и запускать код