Scribd
Importer
23 vues3 pages

Model Pytorch 1

Le document présente un code Python pour évaluer la performance d'un modèle de régression en utilisant des métriques telles que l'erreur quadratique moyenne (MSE), la racine de l'erreur quadratique moyenne (RMSE) et le coefficient de détermination (R²). Il inclut la définition d'un modèle de régression à l'aide de PyTorch, l'entraînement du modèle sur des données d'entrée et de sortie, ainsi que le calcul des métriques d'évaluation après les prédictions. Les métriques MSE et RMSE mesurent l'erreur des prédictions, tandis que R² indique la proportion de variance expliquée par le modèle.

Transféré par

marcel rodrigue bibiang bodie
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd
23 vues3 pages

Model Pytorch 1

Le document présente un code Python pour évaluer la performance d'un modèle de régression en utilisant des métriques telles que l'erreur quadratique moyenne (MSE), la racine de l'erreur quadratique moyenne (RMSE) et le coefficient de détermination (R²). Il inclut la définition d'un modèle de régression à l'aide de PyTorch, l'entraînement du modèle sur des données d'entrée et de sortie, ainsi que le calcul des métriques d'évaluation après les prédictions. Les métriques MSE et RMSE mesurent l'erreur des prédictions, tandis que R² indique la proportion de variance expliquée par le modèle.

Transféré par

marcel rodrigue bibiang bodie
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd

Pour évaluer la performance de votre modèle de régression, vous pouvez utiliser plusieurs métriques,

telles que l'erreur quadratique moyenne (MSE), la racine de l'erreur quadratique moyenne (RMSE) et le
coefficient de détermination (R²). Voici comment vous pouvez ajouter ces évaluations à votre code :

```python

import torch

import torch.nn as nn

import torch.optim as optim

from sklearn.metrics import mean_squared_error, r2_score

# Données d'entrée

X = torch.tensor([

[900, 250, 40, 0, 0],

[900, 250, 80, 0, 0],

[900, 300, 80, 0, 0],

[900, 300, 80, 15, 0],

[900, 300, 80, 15, 1],

[800, 250, 40, 0, 0],

[700, 250, 40, 0, 0],

[600, 250, 40, 0, 0],

[500, 250, 40, 0, 0],

[500, 400, 40, 0, 0],

[500, 400, 100, 0, 0],

[300, 250, 40, 0, 0],

[300, 400, 40, 0, 0],

[300, 400, 100, 15, 3]

], dtype=torch.float32)

# Données de sortie
y = torch.tensor([80, 82, 84, 83, 82, 85, 88, 89, 91, 93, 94, 93, 94, 89], dtype=torch.float32).view(-1, 1)

# Définir le modèle

class RegressionModel(nn.Module):

def __init__(self):

super(RegressionModel, self).__init__()

self.layer1 = nn.Linear(5, 64)

self.layer2 = nn.Linear(64, 32)

self.layer3 = nn.Linear(32, 1)

def forward(self, x):

x = torch.relu(self.layer1(x))

x = torch.relu(self.layer2(x))

x = self.layer3(x)

return x

model = RegressionModel()

# Définir la fonction de perte et l'optimiseur

criterion = nn.MSELoss()

optimizer = optim.Adam(model.parameters(), lr=0.01)

# Entraîner le modèle

for epoch in range(100):

optimizer.zero_grad()

outputs = model(X)

loss = criterion(outputs, y)

loss.backward()

optimizer.step()
# Faire des prédictions

with torch.no_grad():

predictions = model(X)

print("Predictions: ", predictions)

# Évaluation du modèle

predictions_np = predictions.numpy()

y_np = y.numpy()

mse = mean_squared_error(y_np, predictions_np)

rmse = mean_squared_error(y_np, predictions_np, squared=False)

r2 = r2_score(y_np, predictions_np)

print(f"MSE: {mse}")

print(f"RMSE: {rmse}")

print(f"R²: {r2}")

```

Ce code ajoute des calculs pour le MSE, le RMSE et le R² pour évaluer la qualité des prédictions de votre
modèle. Le MSE et le RMSE mesurent l'erreur moyenne entre les valeurs prédites et les valeurs réelles,
tandis que le R² mesure la proportion de la variance des données qui est expliquée par le modèle. Un R²
proche de 1 indique que le modèle explique bien les données.

Vous aimerez peut-être aussi