Çawa dikarin pirtûkxaneyên wekî scikit-learn bikar bînin da ku dabeşkirina SVM-ê li Python bicîh bikin, û fonksiyonên sereke yên têkildar çi ne?

/ / Weşandin Îstîxbaratê ya sûnî, Eytc/AI/MLP Fêrbûna Makîneyê bi Python, Piştgiriya makîneya vektor, Optimîzasyona makîna vektor piştgirî bikin, Nirxandina îmtîhanê

Makîneyên Vektora Piştgiriyê (SVM) çînek hêzdar û berbelav a algorîtmayên fêrbûna makîneya çavdêrîkirî ne ku bi taybetî ji bo karên dabeşkirinê bi bandor in. Pirtûkxaneyên wekî scikit-learn li Python pêkanînên xurt ên SVM peyda dikin, ku wê ji bo bijîjk û ​​lêkolîneran re bigihînin hev. Ev bersiv dê ronî bike ka fêrbûna scikit çawa dikare were bikar anîn da ku dabeşkirina SVM-ê bicîh bîne, fonksiyonên sereke yên têkildar eşkere bike û mînakên ronîdar peyda bike.

Destpêka SVM

Makîneyên Vektora Piştgiriyê bi dîtina hîperplana ku çêtirîn daneyan li çînên cihêreng vediqetîne tevdigerin. Di cîhekî du-alî de, ev hîperplan bi tenê xêzek e, lê di pîvanên bilind de, ew dibe balafir an hîperplane. Hîperplana herî baş ew e ku marjîna di navbera her du çînan de herî zêde dike, ku li wir marjînal wekî dûrahiya di navbera hîperplane û nuqteyên daneyê yên herî nêzîk ji her du çînan tê pênase kirin, ku wekî vektorên piştgirî têne zanîn.

Scikit-hînbûn û SVM

Scikit-learn pirtûkxaneyek Python a hêzdar e ji bo fêrbûna makîneyê ku ji bo derxistina daneyan û analîzkirina daneyê amûrên hêsan û bikêr peyda dike. Ew li ser NumPy, SciPy, û matplotlib hatî çêkirin. Modula `svm` di nav scikit-learn de pêkanîna algorîtmayên SVM peyda dike.

Karên Keyanî

1. `svm.SVC`: Ev çîna sereke ye ji bo pêkanîna dabeşkirinê bi karanîna SVM. SVC tê wateya Dabeşkirina Vektora Piştgiriyê.
2. `fit`: Ev rêbaz ji bo perwerdekirina modela li ser daneyên hatî dayîn tê bikar anîn.
3. `pêşbînîkirin`: Dema ku model were perwerde kirin, ev rêbaz ji bo pêşbînkirina etîketên pola ji bo daneyên ceribandinê yên hatî dayîn tê bikar anîn.
4. `score`: Ev rêbaz ji bo nirxandina rastbûna modela li ser daneyên ceribandinê tê bikar anîn.
5. `GridSearchCV`: Ev ji bo birêkûpêkkirina hîperparameterê tê bikar anîn da ku ji bo modela SVM baştirîn parametreyan bibîne.

Bi scikit-learn re Tesnîfkirina SVM-ê bicîh dikin

Ka em gavên ku di pêkanîna dabeşkirina SVM-ê de bi karanîna scikit-learn-ê ve girêdayî ne bifikirin.

Gav 1: Importkirina Pirtûkxane

Pêşîn, pirtûkxaneyên pêwîst derxînin:

python
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import classification_report, confusion_matrix
Gav 2: Barkirina Dataset

Ji bo mebestên xwenîşandanê, em ê databasa Iris, danehevek naskirî ya di civata fêrbûna makîneyê de bikar bînin:

python
# Load the Iris dataset
iris = datasets.load_iris()
X = iris.data
y = iris.target
Gav 3: Parçekirina Dataset

Danûstendinê li komên perwerdehî û ceribandinê veqetînin:

python
# 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: Pîvana Taybetmendiyê

Pîvana taybetmendiyê ji bo SVM-ê girîng e ji ber ku ew ji pîvana taybetmendiyên têketinê hesas e:

python
# Standardize features by removing the mean and scaling to unit variance
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
Gav 5: Perwerdehiya Modela SVM

Dabeşkera SVM-ê destnîşan bikin û li ser daneyên perwerdehiyê perwerde bikin:

python
# Create an instance of SVC and fit the data
svc = SVC(kernel='linear', C=1.0)
svc.fit(X_train, y_train)

Li vir, me kernelek xêzik bikar anî û pîvana rêkûpêkkirinê `C` li 1.0 danî. Parametreya kernel cureya hîperplana ku ji bo veqetandina daneyan tê bikar anîn diyar dike. Kernelên hevpar 'xêz', 'poly' (polnomial), 'rbf' (fonksiyona bingehîn a radîal), û 'sigmoîd' hene.

Gav 6: Çêkirina Pêşbîniyan

Modela perwerdekirî bikar bînin da ku li ser daneyên ceribandinê pêşbîniyan bikin:

python
# Predict the class labels for the test set
y_pred = svc.predict(X_test)
Gav 7: Nirxandina Modelê

Performansa modelê bi karanîna metrîkên wekî matrixa tevliheviyê û rapora dabeşkirinê binirxînin:

python
# Evaluate the model
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))

Matrixa tevliheviyê kurteyek encamên pêşbîniyê peyda dike, dema ku rapora dabeşkirinê ji bo her polê rastbûn, bibîranîn, xala F1, û piştgirî vedigire.

Bi GridSearchCV ve Tunekirina Hyperparameterê

Rêzkirina hîperparameterê ji bo xweşbînkirina performansa modelek SVM pêdivî ye. 'GridSearchCV' ya Scikit-learn dikare were bikar anîn da ku li ser tevnek parametreyek diyarkirî lêgerînek berfireh pêk bîne:

python
from sklearn.model_selection import GridSearchCV

# Define the parameter grid
param_grid = {
    'C': [0.1, 1, 10, 100],
    'gamma': [1, 0.1, 0.01, 0.001],
    'kernel': ['rbf']
}

# Create a GridSearchCV instance
grid = GridSearchCV(SVC(), param_grid, refit=True, verbose=2)
grid.fit(X_train, y_train)

# Print the best parameters and the corresponding score
print("Best parameters found: ", grid.best_params_)
print("Best score: ", grid.best_score_)

# Use the best estimator to make predictions
grid_predictions = grid.predict(X_test)

# Evaluate the model with the best parameters
print(confusion_matrix(y_test, grid_predictions))
print(classification_report(y_test, grid_predictions))

Di vê nimûneyê de, me bi karanîna kernelê RBF li ser tevnek nirxan ji bo `C` û `gama` geriya. Mînaka `GridSearchCV` modelê bi baştirîn parametreyên ku di dema lêgerînê de hatine dîtin ji nû ve vedihewîne.

Dîtbarkirina Sînorê Biryarê

Ji bo têgihiştinek çêtir ka ka dabeşkerê SVM çawa dixebite, pir caran bikêr e ku meriv sînorê biryarê xuyang bike. Ev di cîhek taybetmendiyek du-alî de hêsantir e. Li jêr mînakek bi karanîna daneya sentetîk heye:

python
from sklearn.datasets import make_blobs

# Generate a synthetic dataset
X, y = make_blobs(n_samples=100, centers=2, random_state=6)

# Fit the SVM model
svc = SVC(kernel='linear', C=1.0)
svc.fit(X, y)

# Create a mesh to plot the decision boundary
h = .02
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

# Predict the class for each point in the mesh
Z = svc.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

# Plot the decision boundary
plt.contourf(xx, yy, Z, alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', marker='o')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('SVM Decision Boundary')
plt.show()

Koda jorîn bi du çînan danesek sentetîk çêdike, modelek SVM bi kernelek xêzkirî re têkildar dike, û sînorê biryarê xuya dike. Fonksiyona `contourf` ji bo xêzkirina sînorê biryarê tê bikar anîn, û nexşeya belavbûnê xalên daneyê nîşan dide.Scikit-learn ji bo pêkanîna dabeşkirina SVM di Python de navbeynek berfireh û bikarhêner-heval peyda dike. Fonksiyonên sereke yên wekî `svm.SVC`, `fit`, `pêşbînî`, û `score` ji bo çêkirin û nirxandina modelên SVM bingehîn in. Rêzkirina hîperparameterê bi `GridSearchCV` bi dîtina pîvanên çêtirîn performansa modelê bêtir zêde dike. Dîmendarkirina sînorê biryarê dikare di derheqê behreya dabeşker de nihêrînên hêja peyda bike. Bi şopandina van gavan, meriv dikare bi karanîna scikit-learn dabeşkirina SVM-ê bi bandor bicîh bike û xweşbîn bike.

Pirs û bersivên din ên vê dawiyê di derbarê Eytc/AI/MLP Fêrbûna Makîneyê bi Python:

Pir pirs û bersivan di Fêrbûna Makîneya EITC/AI/MLP de bi Python re bibînin

Pirs û bersivên bêtir:

Tagged under: , , , , ,