🗊Презентация Без названия

Вспомнить: Вспомнить: class (target, цель) Есть ли на фото тигр? Болен ли пациент таким-то заболеванием? Продается ли этот товар нужными объемами? классификация Обучить классификатор на известных классах так, чтобы при предъявлении ему неизвестного класса, он отнес бы его к одному из известных.

Загрузить файл данных из модуля datasets библиотеки scikit-learn, вызвав функцию load_iris: Загрузить файл данных из модуля datasets библиотеки scikit-learn, вызвав функцию load_iris: # загрузка файла данных import numpy as np from sklearn.datasets import load_iris iris_dataset = load_iris() X = iris_dataset.data y = iris_dataset.target

Для решения задачи классификации с учителем надо иметь 2 набора данных: Для решения задачи классификации с учителем надо иметь 2 набора данных: обучающие данные (training data, training set). тестовые данные (test data, test set, hold-out set). Функция train_test_split (библиотека scikit-learn) перемешивает исходный набор данных случайным образом и разбивает его на две части: обучающий набор = 75% samples, тестовый набор = 25% samples # Чтобы в точности для отладки повторно воспроизвести случайное перемешивание, в генераторе псевдослучайных чисел зададим # фиксированное стартовое значение random_state=0 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(iris_dataset['data'], iris_dataset['target'], random_state=0) форма массива X_train: (112, 4) форма массива y_train: (112,) форма массива X_test: (38, 4) форма массива y_test: (38,)

Для решения задачи классификации с учителем (построения классификатора) используем метод k-means (ближайших соседей) Для решения задачи классификации с учителем (построения классификатора) используем метод k-means (ближайших соседей) Библиотека scikit-learn, где модели машинного обучения реализованы в собственных классах, называемых Estimator. Алгоритм классификации на основе метода k ближайших соседей реализован в классификаторе KNeighborsClassifier модуля neighbors.

Создать объект-экземпляр класса, задав параметры модели: количество соседей k (установим k = 1) Создать объект-экземпляр класса, задав параметры модели: количество соседей k (установим k = 1) # Создать объект-экземпляр класса, задав параметры модели: количество соседей k= 1 from sklearn.neighbors import KNeighborsClassifier knn = KNeighborsClassifier(n_neighbors=1) # Объект knn включает алгоритм, который будет использоваться для # построения модели на обучающих данных, а также алгоритм, # который сгенерирует прогнозы для новых точек данных Для обучения вызывать метод fit объекта knn, который принимает в качестве аргументов массивы NumPy: X_train и y_train, содержащие обучающие и тестовые данные knn.fit(X_train, y_train) KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski', metric_params=None, n_jobs=1, n_neighbors=1, p=2, weights='uniform') Почти все параметры классификатора KNeighborsClassifier имеют значения по умолчанию (параметр n_neighbor=1 задавали). Большинство классификаторов в scikit-learn имеют массу параметров, но большая часть из них связана с оптимизацией скорости вычислений или предназначена для особых случаев использования. Не стоит подробно останавливаться на всех параметрах, выводимых классификатором