ПочатиПочніть безкоштовно

Аналіз метрик для кожного класу

Хоча агреговані метрики корисні для оцінки якості моделі, часто варто подивитися на метрики окремо для кожного класу. Це може виявити класи, на яких модель працює гірше.

У цій вправі ви ще раз запустите цикл оцінювання, щоб отримати precision нашого класифікатора хмар, але цього разу — для кожного класу окремо. Потім ви зіставите ці бали з назвами класів, щоб їх інтерпретувати. Як зазвичай, Precision уже імпортовано для вас. Успіхів!

Ця вправа є частиною курсу

Середній рівень Deep Learning з PyTorch

Переглянути курс

Інструкції до вправи

  • Визначте метрику precision, придатну для отримання результатів по кожному класу.
  • Обчисліть precision для кожного класу, завершивши генератор словника, ітеруючись по .items() атрибута .class_to_idx об'єкта dataset_test.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код