Rate this post

Mục đích của Perceptron Model là phân loại dữ liệu của chúng tôi và cho chúng tôi biết về khả năng mắc bệnh ung thư, tức là tối đa hoặc tối thiểu trên cơ sở dữ liệu được gắn nhãn trước đó.

Các bài viết liên quan:

Mô hình của chúng tôi được đào tạo và bây giờ, chúng tôi kiểm tra mô hình của mình để biết về hoạt động của nó có suôn sẻ và đưa ra kết quả chính xác hay không. Vì mục đích này, chúng tôi phải thêm một số chức năng khác trong mã của chúng tôi.

Có các bước sau để kiểm tra mô hình của chúng tôi:

Bước 1

Chúng tôi sẽ vẽ lại mô hình được trang bị của mình, và vì điều này, chúng tôi phải đưa ra dự đoán về một điểm ngẫu nhiên mà chúng tôi sẽ khởi tạo. Trong trường hợp của chúng tôi, Chúng tôi sẽ lấy hai điểm để hiểu rõ hơn.

p1=torch.Tensor([1.0,-1.0])  
p2=torch.Tensor([-1.0,-1.5])  

Bước 2

Bây giờ, bước tiếp theo của chúng ta là vẽ các điểm này cho mục đích hình dung để chúng ta có thể xác định cả hai điểm nằm trong lớp nào là 1 hoặc 0.

plt.plot(p1[0],p1[1],'ro')  
plt.plot(p2[0],p2[1],'ko')  

Điểm p1 và p2 ban đầu ở dạng tensor, vì vậy chúng tôi đã thay đổi những điểm này thành numpy bằng cách đánh máy.

plt.plot(p1.numpy()[0],p1.numpy()[1],'ro')  
plt.plot(p2.numpy()[0],p2.numpy()[1],'ko') 

Bước 3

Bây giờ chúng ta có thể đưa ra dự đoán về từng điểm. Chúng ta sẽ dự đoán xác suất của mỗi điểm thuộc vùng dương 2 loại 1. Chúng ta biết tất cả các điểm màu cam được dán nhãn là 1 và tất cả các điểm màu xanh lam được dán nhãn là 0. Vì vậy, xác suất được xác định là

print("Red point positive probability={}".format(model.forward(p1).item()))  
print("Black point positive probability={}".format(model.forward(p2).item()))  

Xác suất điểm đỏ và đen bằng với dự đoán của nó.

Bước 4

Bây giờ, chúng ta sẽ quay lại khởi tạo lớp của mình và tạo một phương thức được gọi là dự đoán có một tham số. Chúng tôi sử dụng self.earch (x) để tìm xác suất. Nếu xác suất lớn hơn 0,5 thì chúng ta sẽ trả về lớp 1, ngược lại trả về 0.

def predict(self,x):  
    pred=torch.sigmoid(self.linear(x))  
    if pred>=0.5:  
        return 1  
    else:  
        return 0  

Bước 5

Cuối cùng, chúng tôi sẽ thêm hai câu lệnh in khác cho chúng tôi biết về lớp bằng cách sử dụng phương thức dự đoán như

print("Red point in calss={}".format(model.predict(p1)))  
print("Black point in calss={}".format(model.predict(p2)))  

Rõ ràng là mô hình của chúng tôi hoạt động trơn tru và cho chúng tôi kết quả chính xác với dữ liệu ngẫu nhiên.

Trả lời

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *

Contact Me on Zalo
Call now