การวัดประสิทธิภาพ (Evaluation Metrics) สำหรับโมเดล Deep Learning

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# โหลดข้อมูล Iris dataset
iris = load_iris()

# แบ่งข้อมูลเป็น training set และ testing set
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

# สร้างโมเดล Logistic Regression และฝึกสอนโมเดลด้วย training set
clf = LogisticRegression(max_iter=1000)
clf.fit(X_train, y_train)

# ทำนายผลโดยใช้ testing set
y_pred = clf.predict(X_test)

# คำนวณค่า accuracy, precision, recall และ f1-score
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred, average='weighted')
recall = recall_score(y_test, y_pred, average='weighted')
f1 = f1_score(y_test, y_pred, average='weighted')

# แสดงผลลัพธ์
print("Accuracy:", accuracy)
print("Precision:", precision)
print("Recall:", recall)
print("F1-score:", f1)

Accuracy: 1.0
Precision: 1.0
Recall: 1.0
F1-score: 1.0

import tensorflow as tf
from tensorflow.keras.datasets import fashion_mnist
from sklearn.metrics import classification_report

# โหลดชุดข้อมูล Fashion-MNIST
(X_train, y_train), (X_test, y_test) = fashion_mnist.load_data()

# ปรับเปลี่ยนขนาดของภาพเป็น 28x28 และทำ scaling ค่าความสูงค่า pixel เข้าสู่ช่วง [0, 1]
X_train = X_train.reshape((X_train.shape[0], 28, 28, 1)) / 255.0
X_test = X_test.reshape((X_test.shape[0], 28, 28, 1)) / 255.0

# แปลง label จาก categorical เป็น numerical
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)

# สร้างโมเดล CNN
model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D((2,2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(100, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# คอมไพล์โมเดล
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy', 'precision', 'recall', 'f1_score'])

# ฝึกโมเดล
model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_test, y_test))

# ทดสอบโมเดล
predictions = model.predict(X_test)
print(classification_report(y_test.argmax(axis=1), predictions.argmax(axis=1)))

import numpy as np
import pandas as pd
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix, classification_report
from imblearn.over_sampling import RandomOverSampler
from imblearn.metrics import classification_report_imbalanced

# สร้างข้อมูล
X, y = make_classification(n_classes=2, class_sep=2, weights=[0.1, 0.9], 
                            n_informative=3, n_redundant=1, flip_y=0, 
                            n_features=20, n_clusters_per_class=1, n_samples=1000, 
                            random_state=10)

# แบ่งข้อมูลเป็นชุด train และ test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=10)

# ทำการ oversample ข้อมูลเพื่อปรับคลาสที่ไม่สมดุล
ros = RandomOverSampler()
X_train_resampled, y_train_resampled = ros.fit_resample(X_train, y_train)

# สร้างโมเดลและสอนโมเดลด้วยชุด train
model = LogisticRegression()
model.fit(X_train_resampled, y_train_resampled)

# ทำนายคลาสในชุด test
y_pred = model.predict(X_test)

# คำนวณ confusion matrix และ classification report
confusion_matrix = confusion_matrix(y_test, y_pred)
classification_report = classification_report(y_test, y_pred)

# แสดงผล
print("Confusion Matrix:")
print(confusion_matrix)
print("Classification Report:")
print(classification_report)

# คำนวณ classification report ที่ใช้เพื่อจัดการคลาสไม่สมดุล
classification_report_imbalanced = classification_report_imbalanced(y_test, y_pred)
print("Classification Report (Imbalanced):")
print(classification_report_imbalanced)

import tensorflow as tf
from tensorflow import keras
from sklearn.metrics import classification_report

# โหลดชุดข้อมูล MNIST
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# ปรับขนาดและทำการปรับค่าสีของรูปภาพ
x_train = x_train.reshape(-1, 28, 28, 1).astype("float32") / 255.0
x_test = x_test.reshape(-1, 28, 28, 1).astype("float32") / 255.0

# สร้างโมเดล Convolutional Neural Network (CNN)
model = keras.Sequential([
    keras.layers.Conv2D(32, 3, activation='relu', input_shape=(28, 28, 1)),
    keras.layers.MaxPooling2D(),
    keras.layers.Flatten(),
    keras.layers.Dense(10)
])

# คอมไพล์และสร้างโมเดล
model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])

# ฝึกโมเดล
model.fit(x_train, y_train, epochs=5)

# ทำนายค่า
y_pred = model.predict(x_test)

# แปลงค่าจาก one-hot encoding เป็นตัวเลขปกติ
y_pred = tf.argmax(y_pred, axis=1)

# ประเมินประสิทธิภาพโดยใช้ classification report
target_names = ["Class {}".format(i) for i in range(10)]
print(classification_report(y_test, y_pred, target_names=target_names))