Официальный сайт проекта

https://scikit-learn.org/

Список методов обучения с учителем:

https://scikit-learn.org/stable/supervised_learning.html#supervised-learning

Пример линейной модели: (https://scikit-learn.org/stable/modules/linear_model.html)

Импорт функций

Снимок экрана 2019-10-22 в 17.30.44

Выгрузим данные «Ирис»:

Снимок экрана 2019-10-22 в 17.30.53

Создадим переменные Y и  X:

Снимок экрана 2019-10-22 в 17.31.04

Создадим объект типа линейная модель:

Снимок экрана 2019-10-22 в 17.31.18
Оценим параметры модели:

Снимок экрана 2019-10-22 в 17.48.46

Качество модели:

Снимок экрана 2019-10-22 в 17.48.59

Оцененные параметры:

Снимок экрана 2019-10-22 в 17.49.05

Для того, чтобы изменить тип оцениваемой модели (например на ридж-регрессии) достаточно изменить тип создаваемого объекта:

Снимок экрана 2019-10-22 в 17.52.30

Метрики качества модели (https://scikit-learn.org/stable/modules/classes.html#regression-metrics):

Можно перечислить функции, которые мы импортируем в рабочее пространство:

Снимок экрана 2019-10-22 в 18.24.02

После этого становятся доступны следующие команды:

Снимок экрана 2019-10-22 в 18.24.18

Снимок экрана 2019-10-22 в 18.28.26

Снимок экрана 2019-10-22 в 18.29.08

Для доступности последнего метода можно импортировать все объекты из метрик пакета sklearn (но обычно так делать не рекомендуется для избегания конфликтов в пространстве имен):

Снимок экрана 2019-10-22 в 18.30.49

Теперь данный метод доступен:

Снимок экрана 2019-10-22 в 18.29.08

Задание

используя данные по «ирисам» построить модели

  1. Байесовскую ридж-регрессию (Bayesian Ridge Regression)
  2. Модель Lasso
  3. Модель Персептрона (Perceptron)
  4. Классифицируйте данные  при помощи метода опорных векторов (SVM)
  5. Кластеризуйте данные с использование метода k- средних

 

 

 

Построение моделей в Python

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *