การฝึกโมเดลใน Keras - การประเมินผลโมเดลด้วย model.evaluate()

การฝึกโมเดลใน Keras - การประเมินผลโมเดลด้วย `model.evaluate()`

Keras เป็นหนึ่งในไลบรารีที่ได้รับความนิยมสำหรับการสร้างและฝึกโมเดล Machine Learning และ Deep Learning เนื่องจากมีความเรียบง่ายและใช้คำสั่งที่ชัดเจนไม่ซับซ้อน การประเมินผลโมเดลเป็นขั้นตอนที่สำคัญหลังจากการฝึกโมเดลเสร็จสิ้น โดยใช้ฟังก์ชัน `model.evaluate()` เพื่อให้เราได้ทราบถึงประสิทธิภาพและความแม่นยำของโมเดลที่เราได้พัฒนาขึ้น

การเตรียมข้อมูลก่อนการประเมิน

ก่อนที่จะทำการฝึกและประเมินโมเดล จำเป็นจะต้องมีข้อมูลที่เหมาะสมและเตรียมพร้อมในการใช้งาน โดยทั่วไปข้อมูลที่เราต้องเตรียมจะแบ่งออกเป็นชุดข้อมูลเพื่อการฝึก (training set) และชุดข้อมูลเพื่อการประเมิน (test set)

ตัวอย่างการเตรียมข้อมูลแบบง่าย ๆ ด้วย MNIST dataset:

from keras.datasets import mnist
from keras.utils import to_categorical

# โหลดข้อมูล MNIST
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# ปรับรูปแบบข้อมูล
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

# เปลี่ยน labels ให้เป็น one-hot encoding
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

การสร้างและฝึกโมเดล

หลังจากที่เราได้เตรียมข้อมูลชุดฝึกและข้อมูลทดสอบแล้ว ขั้นตอนต่อไปคือการสร้างโมเดล เราจะใช้ Sequential model ในการสร้างโมเดลง่าย ๆ สำหรับการจำแนกภาพ MNIST

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# สร้างโมเดล
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(64, activation='relu'),
    Dense(10, activation='softmax')
])

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

# ฝึกโมเดล
model.fit(train_images, train_labels, epochs=5, batch_size=64)

การประเมินผลโมเดลด้วย `model.evaluate()`

`model.evaluate()` เป็นฟังก์ชันที่ใช้ในการประเมินประสิทธิภาพของโมเดลที่เราได้ฝึกมาแล้ว โดยจะทำการคำนวณ loss และ metric ที่เราได้กำหนดไว้ในขั้นตอนของการ compile โมเดล

# ประเมินประสิทธิภาพโมเดล
test_loss, test_accuracy = model.evaluate(test_images, test_labels)

print(f'Test accuracy: {test_accuracy:.4f}')

จากการใช้ `model.evaluate()` เราจะได้ค่าจำนวนสองค่า คือ loss และ accuracy ซึ่งจะให้ข้อมูลเกี่ยวกับความแม่นยำในการที่จะทำนายข้อมูลทดสอบ ความแม่นยำที่สูงบ่งบอกถึงประสิทธิภาพที่ดีของโมเดล แต่หากมีความแม่นยำที่ต่ำ อาจจำเป็นต้องทบทวนถึงโครงสร้างของโมเดลหรือวิธีการเตรียมข้อมูลเพื่อปรับปรุงเพิ่มเติม

ข้อแนะนำสำหรับการประเมินผลและปรับปรุงประสิทธิภาพโมเดล

การประเมินผลโมเดลมีความสำคัญมาก และหากทำได้ดี จะเป็นการเปิดประตูให้เราเข้าสู่การพัฒนาต่อเนื่องเพื่อให้ได้โมเดลที่มีประสิทธิภาพสูงสุด หากคุณสนใจศึกษาเพิ่มเติมเกี่ยวกับการเขียนโปรแกรมด้าน Machine Learning และ Deep Learning สามารถเรียนรู้กับ EPT ที่พร้อมจะช่วยให้คุณเติบโตในเส้นทางนี้ด้วยประสบการณ์และการอบรมที่มีคุณภาพ.Good luck!

หมายเหตุ: ข้อมูลในบทความนี้อาจจะผิด โปรดตรวจสอบความถูกต้องของบทความอีกครั้งหนึ่ง บทความนี้ไม่สามารถนำไปใช้อ้างอิงใด ๆ ได้ ทาง EPT ไม่ขอยืนยันความถูกต้อง และไม่ขอรับผิดชอบต่อความเสียหายใดที่เกิดจากบทความชุดนี้ทั้งทางทรัพย์สิน ร่างกาย หรือจิตใจของผู้อ่านและผู้เกี่ยวข้อง

หากเจอข้อผิดพลาด หรือต้องการพูดคุย ติดต่อได้ที่ https://m.me/expert.Programming.Tutor/