Prestanda vid flerklasskategorisering
I den här övningen beräknar du prestandamått för modeller med hjälp av modulen sklearn.metrics.
Modellen är redan tränad och sparad i variabeln model. Variablerna X_test och y_true är också inlästa, tillsammans med funktionerna confusion_matrix() och classification_report() från paketet sklearn.metrics.
Du börjar med att beräkna modellens konfusionsmatris. Sedan sammanfattar du modellens prestanda genom att beräkna precision, recall och F1-score med funktionen classification_report(). I den här funktionen kan du valfritt skicka en list med klassernas namn (de finns sparade i variabeln news_cat) till parametern target_names för att göra rapporten mer lättläst.
Den här övningen är en del av kursen
Återkommande neurala nätverk (RNN) för språkmodellering med Keras
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Use the model to predict on new data
____ = model.____(X_test)
# Choose the class with higher probability
y_pred = np.____(predicted, axis=1)