Pêngavên ku di karanîna Dabeşkerek Vektora Piştgiriyê (SVC) de ji scikit-learn, ji bicîkirina modelê heya çêkirina pêşbîniyan çi ne?

/ / Weşandin Îstîxbaratê ya sûnî, EITC/AI/GCML Fêrbûna Makîna Ewr a Google, Di Fêrbûna Makîneyê de pêşve diçin, Scikit-hîn bibin, Nirxandina îmtîhanê

Dabeşkera Vektora Piştgiriyê (SVC) algorîtmayek fêrbûna makîneya hêzdar e ku dikare ji bo karên dabeşkirinê were bikar anîn. Di vê bersivê de, em ê gavên ku di karanîna SVC-ê de ji scikit-learn-ê, ji bicîhkirina modelê heya çêkirina pêşbîniyan ve girêdayî ye, nîqaş bikin.

Gav 1: Importkirina pirtûkxaneyên pêwîst
Berî ku em karibin SVC-ê bikar bînin, pêdivî ye ku em pirtûkxaneyên pêwîst derxînin. Di vê rewşê de, em ê hewce bikin ku çîna SVC ji modula svm ya scikit-learn derxînin. Di heman demê de em ê hewce bikin ku pirtûkxaneyên din ên pêwîst ên wekî numpy û panda ji bo manîpulekirin û pêş-pêvajoya daneyê jî bînin.

python
from sklearn.svm import SVC
import numpy as np
import pandas as pd

Gav 2: Barkirin û Pêşpêçkirina Daneyan
Pêngava paşîn barkirin û pêşdîtina daneyan e. Ev bi gelemperî barkirina daneyan di nav DataFrame-ya pandayan de, veqetandina taybetmendiyên têketinê ji guhêrbara armancê, û pêkanîna gavên pêşîn-pêvajoyê yên pêwîst ên wekî pîvandina taybetmendiyê an hilgirtina nirxên winda pêk tîne.

python
# Load the data into a pandas DataFrame
data = pd.read_csv('data.csv')

# Separate the input features from the target variable
X = data.drop('target', axis=1)
y = data['target']

# Perform any necessary preprocessing steps
# For example, feature scaling

Gav 3: Dabeşkirina Daneyan li Komên Perwerde û Testkirinê
Ji bo nirxandina performansa modela me, pêdivî ye ku em daneyan li komên perwerdehî û ceribandinê veqetînin. Ev dikare bi karanîna fonksiyona train_test_split ji scikit-learn were kirin. Koma perwerdehiyê dê ji bo perwerdekirina modelê were bikar anîn, dema ku seta ceribandinê dê ji bo nirxandina performansa wê were bikar anîn.

python
from sklearn.model_selection import train_test_split

# Split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Gav 4: Sazkirina Modela SVC
Naha ku me seta perwerdehiya xwe amade kiriye, em dikarin li gorî modela SVC-ê bimeşin. Ev dikare bi afirandina mînakek pola SVC-ê û gazîkirina rêbaza wê ya bi daneyên perwerdehiyê ve were kirin.

python
# Create an instance of the SVC class
svc = SVC()

# Fit the model to the training data
svc.fit(X_train, y_train)

Gav 5: Çêkirina Pêşbîniyan
Dema ku model were perwerde kirin, em dikarin wê bikar bînin da ku li ser daneyên nû, nedîtî pêşbîniyan bikin. Ev dikare bi gazîkirina rêbaza pêşbîniyê ya modela pêvekirî û derbaskirina daneyên testê were kirin.

python
# Make predictions on the test data
y_pred = svc.predict(X_test)

Gav 6: Nirxandina Modelê
Di dawiyê de, divê em performansa modela xwe binirxînin. Ev dikare bi danberhevkirina etîketên pêşbînîkirî bi etîketên rastîn ên ji koma testê re were kirin. Gelek metrîkên nirxandinê hene ku dikarin werin bikar anîn, wekî rastbûn, rastbûn, bibîranîn, û F1-score.

python
from sklearn.metrics import accuracy_score

# Calculate the accuracy of the model
accuracy = accuracy_score(y_test, y_pred)

Bi şopandina van gavan, hûn dikarin ji scikit-learn, ji guncankirina modelê heya çêkirina pêşbîniyan bi bandor Dabeşkera Vektora Piştgiriyê (SVC) bikar bînin. Bînin bîra xwe ku hûn pirtûkxaneyên pêwîst derxînin, daneyan barkirin û pêşdibistanê bikin, daneyan li komên perwerdehî û ceribandinê veqetînin, modelê bicîh bikin, pêşbîniyan bikin û performansa modelê binirxînin.

Pirs û bersivên din ên vê dawiyê di derbarê Di Fêrbûna Makîneyê de pêşve diçin:

Pir pirs û bersivan di Pêşveçûna Fêrbûna Makîneyê de bibînin

Pirs û bersivên bêtir:

Tagged under: , , , , ,