这里我们就仅仅使用sklearn自带的评价指标函数来计算评价指标:accuracy_score:计算准确率, precision_score:计算精确率, recall_score:计算召回率, f1_score:计算f1, classification_report:分类报告, confusion_matrix:混淆矩阵。具体是怎么使用的,我们可以直接看代码。 代码语言:javascript 复制 print("开始训练主循环"...
accuracy = torch.nn.functional.accuracy(outputs, labels) # 计算精度、召回率和 F1 值 precision = sklearn.metrics.precision_score(labels, outputs) recall = sklearn.metrics.recall_score(labels, outputs) f1 = sklearn.metrics.f1_score(labels, outputs) # 输出指标值 print("Loss:", loss.item())...
使用metrics 模块计算分类准确度(accuracy)、精确度(precision)、召回率(recall)和F1得分(F1 score)。 输出经过优化后的参数 w 和b,以及在测试集上的评估指标。 代码语言:javascript 代码运行次数:0 复制Cloud Studio 代码运行 accuracy = metrics.accuracy_score(y_test, test_prediction) precision = metrics.preci...
labels)# 计算准确率accuracy=torch.nn.functional.accuracy(outputs,labels)# 计算精度、召回率和 F1 值precision=sklearn.metrics.precision_score(labels,outputs)recall=sklearn.metrics.recall_score(labels,outputs)f1=sklearn.metrics.f1_score(labels
scores.append(accuracy_score(y_test, y_pred)) # 输出平均准确度 print('Accuracy: %.3f (+/- %.3f)' % (np.mean(scores), np.std(scores))) 7、模型测试 import torch from torch.utils.data import DataLoader, TensorDataset from torchvision import transforms ...
acc = accuracy_score(test_data_y, pre_lab) print(''测试集上的预测精度为:'', acc) Out[7]: 测试集上的预测精度为:0.8841 从输出中可以发现模型在测试集上的预测精度为88.41%,识别精度略低于卷积神经网路,针对测试样本的预测结果,同样可以使用混淆矩阵表示,并将其可视化,程序如下: ...
12.accuracy_score:正确的值所占的比例。 13.loss.item():用于将一个零维张量转换成浮点数 14.strip() :方法用于移除字符串头尾指定的字符(默认为空格或换行符)或字符序列。 菜鸟教程 return_str=True 值的就是返回的是字符串了。 False 返回的应该就是列表了. ...
accuracy_score(val_y, final_pred) 训练得分是: 0.8779008746355685 而验证得分是: 0.867482993197279 这是一个很令人印象深刻的分数,尤其是我们只是在5个epochs上训练了一个非常简单的神经网络。 结语 我希望这篇文章能让你看到PyTorch如何改变构建深度学习模型的观...
这里我们就仅仅使用sklearn自带的评价指标函数来计算评价指标:accuracy_score:计算准确率, precision_score:计算精确率, recall_score:计算召回率, f1_score:计算f1, classification_report:分类报告, confusion_matrix:混淆矩阵。具体是怎么使用的,我们可以直接看代码。
fromsklearn.metricsimportaccuracy_score model.eval() acc =0.0fori,batchinenumerate(test_dataset.dataset):# 按照batch测试结果x,y=batchiftorch.cuda.is_available(): x = x.cuda() predict = model(x) predict = torch.max(predict,1)[1] ...