Đánh giá mô hình đa lớp
Hãy đánh giá bộ phân loại mây của bạn bằng precision và recall để xem mô hình xử lý tốt thế nào với bảy loại mây. Trong bài toán phân loại đa lớp, cách bạn lấy trung bình điểm qua các lớp là rất quan trọng. Hãy nhớ có bốn cách tiếp cận:
- Không lấy trung bình và phân tích kết quả theo từng lớp;
- Micro-averaging: bỏ qua các lớp và tính các chỉ số trên toàn bộ dữ liệu;
- Macro-averaging: tính chỉ số cho từng lớp rồi lấy trung bình;
- Weighted-averaging: giống macro nhưng lấy trung bình có trọng số theo kích thước lớp.
Cả Precision và Recall đều đã được import từ torchmetrics. Đến lúc xem mô hình của bạn hoạt động ra sao!
Bài tập này là một phần của khóa học
Deep Learning nâng cao với PyTorch
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Define metrics
metric_precision = Precision(task=____, num_classes=____, average=____)
metric_recall = ____
net.eval()
with torch.no_grad():
for images, labels in dataloader_test:
outputs = net(images)
_, preds = torch.max(outputs, 1)
metric_precision(preds, labels)
metric_recall(preds, labels)
precision = metric_precision.compute()
recall = metric_recall.compute()
print(f"Precision: {precision}")
print(f"Recall: {recall}")