ประสิทธิภาพของ Multi-Class Classification

ในแบบฝึกหัดนี้ คุณจะคำนวณ performance metrics ของโมเดลโดยใช้โมดูล sklearn.metrics

โมเดลได้รับการเทรนเรียบร้อยแล้วและเก็บไว้ในตัวแปร model นอกจากนี้ ตัวแปร X_test และ y_true ก็ถูกโหลดไว้แล้ว พร้อมกับฟังก์ชัน confusion_matrix() และ classification_report() จากแพ็กเกจ sklearn.metrics

ขั้นแรก คุณจะคำนวณ confusion matrix ของโมเดล จากนั้น เพื่อสรุปประสิทธิภาพของโมเดล คุณจะคำนวณ precision, recall และ F1-score โดยใช้ฟังก์ชัน classification_report() ในฟังก์ชันนี้ สามารถส่ง list ที่ประกอบด้วยชื่อคลาส (เก็บอยู่ในตัวแปร news_cat) ไปยังพารามิเตอร์ target_names เพิ่มเติมได้ เพื่อให้รายงานอ่านง่ายขึ้น

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Recurrent Neural Networks (RNNs) สำหรับ Language Modeling ด้วย Keras

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Use the model to predict on new data
____ = model.____(X_test)

# Choose the class with higher probability 
y_pred = np.____(predicted, axis=1)

แก้ไขและรันโค้ด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Recurrent Neural Networks (RNNs) สำหรับ Language Modeling ด้วย Keras

SkillTag.level.advancedSkillTag.label

4.8+

เริ่มคอร์สฟรี

ในบทนี้ จะได้เรียนรู้พื้นฐานของ Recurrent Neural Networks (RNN) โดยเริ่มจากความรู้เบื้องต้นที่จำเป็น จากนั้นทำความเข้าใจการไหลของข้อมูลผ่านโครงข่าย และสุดท้ายนำไปสร้างโมเดลด้วย Keras สำหรับงานจำแนกประเภทความรู้สึก (sentiment classification)

Exercise 1: แนะนำคอร์ส Exercise 2: เปรียบเทียบจำนวนพารามิเตอร์ของ RNN และ ANN Exercise 3: การวิเคราะห์ความรู้สึก Exercise 4: โมเดล Sequence to Sequence Exercise 5: Language Model เบื้องต้น Exercise 6: ทำความคุ้นเคยกับข้อมูลข้อความ Exercise 7: การเตรียมข้อมูลข้อความสำหรับอินพุตของโมเดล Exercise 8: แปลงข้อความใหม่Exercise 9: RNN เบื้องต้นใน Keras Exercise 10: โมเดลใน Keras Exercise 11: การเตรียมข้อมูลด้วย Keras Exercise 12: โมเดล RNN แรกของคุณ

จะได้เรียนรู้เกี่ยวกับปัญหา vanishing gradient และ exploding gradient ซึ่งมักเกิดขึ้นใน RNN รวมถึงวิธีรับมือด้วย GRU cell และ LSTM cell นอกจากนี้ ยังได้สร้าง embedding layer สำหรับ language model และกลับมาทบทวนงาน sentiment classification อีกครั้ง

Exercise 1: Vanishing gradient และ Exploding gradient Exercise 2: ปัญหา Exploding Gradient Exercise 3: ปัญหา Vanishing Gradient Exercise 4: เซลล์ GRU และ LSTM Exercise 5: เซลล์ GRU ดีกว่า SimpleRNN Exercise 6: การซ้อนเลเยอร์ RNN Exercise 7: Embedding layer Exercise 8: การเปรียบเทียบจำนวนพารามิเตอร์Exercise 9: Transfer learning Exercise 10: Embedding ช่วยเพิ่มประสิทธิภาพของโมเดล Exercise 11: ทบทวนการจำแนกความรู้สึก Exercise 12: การจำแนกความรู้สึกที่แม่นยำยิ่งขึ้น Exercise 13: การใช้เลเยอร์ CNN

ในบทนี้ จะได้เรียนรู้วิธีเตรียมข้อมูลสำหรับงานจำแนกประเภทแบบ multi-class รวมถึงความแตกต่างระหว่าง multi-class classification และ binary classification (sentiment analysis) และสุดท้ายจะได้สร้างโมเดลพร้อมวัดประสิทธิภาพด้วย Keras

Exercise 1: การเตรียมข้อมูล Exercise 2: เตรียม label vector Exercise 3: เตรียมข้อมูลล่วงหน้า Exercise 4: Transfer learning สำหรับโมเดลภาษา Exercise 5: จุดเริ่มต้นของ Transfer Learning Exercise 6: Word2Vec Exercise 7: โมเดลสำหรับการจำแนกประเภทแบบหลายคลาส Exercise 8: สำรวจชุดข้อมูล 20 News Groups Exercise 9: จำแนกประเภทบทความข่าว Exercise 10: การประเมินประสิทธิภาพของโมเดล Exercise 11: การแลกเปลี่ยนระหว่าง Precision และ Recall Exercise 12: Precision หรือ Recall ดีกว่ากัน Exercise 13: ประสิทธิภาพของ Multi-Class Classification

แบบฝึกหัดปัจจุบัน

บทนี้แนะนำการประยุกต์ใช้โมเดล RNN 2 รูปแบบ ได้แก่ Text Generation และ Neural Machine Translation จะได้เรียนรู้วิธีเตรียมข้อมูลข้อความให้อยู่ในรูปแบบที่โมเดลต้องการ โมเดล Text Generation ใช้สำหรับเลียนแบบสำนวนพูดของตัวละคร โดยจะได้ลองเลียนแบบ Sheldon จาก The Big Bang Theory ส่วน Neural Machine Translation เป็นเทคโนโลยีที่ Google Translate นำไปใช้ในโมเดลที่ซับซ้อนกว่ามาก ในบทนี้จะได้สร้างโมเดลที่แปลประโยคสั้น ๆ จากภาษาโปรตุเกสเป็นภาษาอังกฤษ

Exercise 1: โมเดล Sequence to Sequence Exercise 2: ตัวอย่างการสร้างข้อความ Exercise 3: ตัวอย่าง NMT Exercise 4: ฟังก์ชันสร้างข้อความ Exercise 5: ทำนายอักขระถัดไป Exercise 6: สร้างประโยคโดยใช้บริบท Exercise 7: เปลี่ยนสเกลของความน่าจะเป็น Exercise 8: โมเดลสำหรับสร้างข้อความ Exercise 9: สร้างเวกเตอร์ของประโยคและอักขระถัดไป Exercise 10: การเตรียมข้อมูลสำหรับการฝึกโมเดล Exercise 11: การสร้างโมเดลสำหรับสร้างข้อความ Exercise 12: การแปลภาษาด้วยโครงข่ายประสาทเทียม Exercise 13: การเตรียมข้อความอินพุต Exercise 14: การเตรียมข้อความ output Exercise 15: แปลภาษาโปรตุเกสเป็นภาษาอังกฤษ Exercise 16: ยินดีด้วย!