|
soru |
cevap |
import Machine Learning funkcje transformujące do dalszych prac öğrenmeye başla
|
|
from sklearn import preprocessing
|
|
|
normalizacja etykiet, tak aby zawierały wartości od 0 do n_klasy-1 öğrenmeye başla
|
|
le = preprocessing. LabelEncoder()
|
|
|
zwrócić zakodowane etykiety öğrenmeye başla
|
|
classes = le. fit_transform(df["col"]) target = classes data = df. drop(columns='col')
|
|
|
import losowe podzbiory train oraz test öğrenmeye başla
|
|
from sklearn. model_selection import train_test_split
|
|
|
Podziel tablice lub macierze na losowe podzbiory train oraz test öğrenmeye başla
|
|
data_train, data_test, target_train, target_test = train_test_split(data, target, test_size=0.20, random_state=10 )
|
|
|
import w klasyfikacji wielopłaszczyznowej ta funkcja oblicza dokładność Naiwego-Bayesa podzbioru öğrenmeye başla
|
|
from sklearn. naive_bayes import GaussianNB from sklearn. metrics import accuracy_score
|
|
|
w klasyfikacji wielopłaszczyznowej ta funkcja oblicza dokładność Naiwego-Bayesa podzbioru öğrenmeye başla
|
|
gnb = GaussianNB() pred = gnb. fit(data_train, target_train). predict(data_test) accuracy_score(target_test, pred, normalize=True)
|
|
|
import w klasyfikacji wielopłaszczyznowej ta funkcja oblicza dokładność liniowa SVC öğrenmeye başla
|
|
from sklearn. svm import LinearSVC from sklearn. metrics import accuracy_score
|
|
|
w klasyfikacji wielopłaszczyznowej ta funkcja oblicza dokładność liniowa SVC öğrenmeye başla
|
|
svc_model = LinearSVC(random_state=0) pred = svc_model. fit(data_train, target_train). predict(data_test) accuracy_score(target_test, pred, normalize=True)
|
|
|
import w klasyfikacji wielopłaszczyznowej ta funkcja oblicza dokładność KNeighbors öğrenmeye başla
|
|
from sklearn. neighbors import KNeighborsClassifier from sklearn. metrics import accuracy_score
|
|
|
w klasyfikacji wielopłaszczyznowej ta funkcja oblicza dokładność KNeighbors öğrenmeye başla
|
|
neigh = KNeighborsClassifier(n_neighbors=3, weights='distance') neigh. fit(data_train, target_train) pred = neigh. predict(data_test) accuracy_score(target_test, pred)
|
|
|
import w klasyfikacji wielopłaszczyznowej ta funkcja oblicza dokładność MLPClassifier öğrenmeye başla
|
|
from sklearn. neural_network import MLPClassifier
|
|
|
w klasyfikacji wielopłaszczyznowej ta funkcja oblicza dokładność MLPClassifier öğrenmeye başla
|
|
mlp = MLPClassifier(hidden_layer_sizes=(100, 50, 20)) mlp. fit(data_train, target_train) predictions = mlp. predict(data_test)
|
|
|
