Курс Python → Оценка точности модели

Для того чтобы эффективно оценивать работу нашей модели машинного обучения, необходимо определить метод тестирования. Этот метод позволит нам оценить точность модели на тестовом наборе данных. Основное отличие метода тестирования от обучения заключается в том, что во время тестирования мы используем функцию model.eval(), которая переводит модель в режим тестирования. Также мы используем функцию torch.no_grad(), которая отключает вычисление градиента, поскольку во время тестирования нам не нужно обновлять веса модели.

Для начала необходимо перевести модель в режим тестирования с помощью функции model.eval(). Это позволяет модели работать в режиме, оптимизированном для тестирования, а не для обучения. Затем мы используем функцию torch.no_grad(), чтобы временно отключить вычисление градиента. Это позволяет ускорить процесс тестирования, так как нам не нужно хранить информацию о градиентах.

После того как модель переведена в режим тестирования и вычисление градиента отключено, мы можем приступить к оценке точности модели на тестовом наборе данных. Для этого вычисляем средние потери (loss) для каждого объекта в тестовом наборе. Затем суммируем потери и делим на общее количество объектов, чтобы получить среднюю потерю для всего тестового набора.

model.eval()

with torch.no_grad():
    for inputs, labels in test_loader:
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        test_loss += loss.item()

После вычисления средних потерь на тестовом наборе данных, можно также оценить общую точность модели. Для этого можно использовать метрики оценки качества, такие как accuracy_score или confusion_matrix. Общая точность модели на тестовом наборе позволяет оценить ее работу и сравнить с другими моделями или параметрами обучения.

Твои коллеги будут рады, поделись в

Автор урока

Дмитрий Комаровский
Дмитрий Комаровский

Автоматизация процессов
в КраснодарБанки.ру

Другие уроки курса "Python"

  1. Работа с итераторами в Python
  2. Введение в PyTorch
  3. Методы Python для работы с данными
  4. Сложные типы данных в Python
  5. Оператор walrus в Python
  6. Progress с библиотекой tqdm
  7. Кортеж в Python: создание, доступ, изменение
  8. Генераторы в Python
  9. Создание вкладок с TKinter
  10. Разделение строк в Python
  11. Асинхронное выполнение задач в Python
  12. Множественные конструкторы в Python
  13. Сортировка данных с лямбда-функциями
  14. Поиск повторов в списке
  15. Тип CodeType в Python.
  16. Класс Counter() для подсчета элементов
  17. Проверка версии Python
  18. Подробная информация о %pinfo
  19. Фильтрация элементов с помощью islice
  20. Запрос DELETE с библиотекой requests
  21. Разделение строки в Python
  22. Установка и использование emoji
  23. Улучшение читаемости кода в Python
  24. Метод clear для коллекций
  25. Метод rpow в Python
  26. Проверка типов с помощью isinstance
  27. Использование подчеркивания в REPL
  28. Создание и инициализация объектов
  29. Списковое включение в Python
  30. Хранение переменных в Python.
  31. Многопоточность в Python
  32. Тайное преобразование типа ключа
  33. Использование функции product
  34. Переопределение метода len
  35. Генераторы и сеты в Python
  36. Работа с файлами в Python
  37. Python Translator: создание локальных переводчиков
  38. Активация Matplotlib в Jupyter
  39. Метод rxor для операции побитового исключающего «или»
  40. Удаление элементов из списка
  41. Лямбда-функции в defaultdict
  42. Новшества Flask 2.0
  43. Генератор бросков кубиков
  44. Поиск индекса элемента в списке
  45. Оператор распаковки в Python

Marketello читают маркетологи из крутых компаний