phytonda scikit kutuxonasi

DOCX 10 стр. 21,4 КБ Бесплатная загрузка

10 стр.

FaylHub.uz

Скачать через Telegram

Размер 21,4 КБ

Тип файла DOCX

Страницы 10

Обновлено Дек 2025

Предварительный просмотр (5 стр.)

Прокрутите вниз 👇

1 / 10

pythonda scikit kutubxonasi scikit-learn - ma'lumotlar fanlari va mashinalarni o'rganish uchun eng keng tarqalgan python paketlaridan biri. u ko'plab operatsiyalarni bajarishga imkon beradi va ko'plab algoritmlarni taqdim etadi. scikit-learn shuningdek, uning sinflari, usullari va funktsiyalari haqida mukammal hujjatlarni, shuningdek, ishlatiladigan algoritmlarning tavsifini taklif etadi. scikit-learn qo'llab-quvvatlaydi: · ma'lumotlarni oldindan qayta ishlash; · o'lchamlarni qisqartirish; · model tanlash; · regressiya; · tasniflash; · klaster tahlili. shuningdek, u modellaringizni sinab ko'rish uchun foydalanishingiz mumkin bo'lgan bir nechta ma'lumotlar to'plamini taqdim etadi. scikit-learn mashinani o'rganish bilan bog'liq hamma narsani amalga oshirmaydi. masalan, u quyidagilar uchun har tomonlama yordamga ega emas: · neyron tarmoqlari; · o'z-o'zini tashkil qiluvchi xaritalar (kohonen tarmoqlari); · assotsiatsiya qoidalarini o'rganish; · mustahkamlash o'rganish. scikit-learn numpy va scipy -ga asoslangan , shuning uchun scikit-learn-dan samarali foydalanish uchun kamida ushbu ikkita kutubxona asoslarini tushunishingiz kerak. scikit-learn - bu ochiq manba paketidir. python ekotizimidagi ko'pgina narsalar singari, u hatto tijorat maqsadlarida foydalanish …

2 / 10

ti nolga teng va standart og'ish bitta bo'lishi uchun siz tez-tez ma'lumotlarni o'zgartirishingiz kerak. bunday holda siz sklearn.preprocessing.standardscaler dan foydalanishingiz mumkin: >>> sklearn.preprocessing importidan standardscaler >>> scaler = standardscaler() >>> scaled_x = scaler.fit_transform(x) >>> scaler.scale_ array([ 0.40311289, 4.03112887, 14.0442187, 14.0442187, 14.0442159]an scaler >_ >>r . massiv([ 0.65, 6.5 , 20.2 ]) >>> scaler.var_ massivi([1.6250e-01, 1.6250e+01, 1.9724e+02]) >>> scaled_x massivi([[-1.3643828.4, -1.36438285.01. ], [-0,3721042 , -0,3721042 , 1,4952775 ], [ 1,36438208, 1,36438208, -1,23894421], [ 0,3721042 , 0,3894421], [ 0,3721042 , 0,40421], [-0,3721042 , -0,3721042 , 1,4952775 ] (masshtabli). massiv([ 1.66533454e-16, -1.38777878e-17, 1.52655666e-16]) >>> scaled_x.std(axis=0) massiv([1., 1., 1.]) >>> scaler.inverse_transform(scaled_x) massivi([[ 0.1, 1. , 22.8], [ 0.5, 5. , 41.2], [1.2, 12. , 2.8], [0.8, 8. , 14. ]]) sizda ba'zi kategorik ma'lumotlar mavjud va siz ularni raqamlarga aylantirishingiz kerak bo'ladi. buning usullaridan biri sklearn.preprocessing.onehotencoder sinfidan foydalanishdir. kompaniyadagi rollar massivlari bilan quyidagi misolni ko'rib chiqing: >>> sklearn.preprocessing import onehotencoder >>> rollar = np.array([('tom', …

3 / 10

$at, uchinchi ustun ishga qabul qiluvchining lavozimiga mos keladi va bu uchinchi xodim (ann). hajmining qisqarishi o'lchovlilikni kamaytirish ko'p o'lchovli ma'lumotlar to'plamining eng muhim komponentlarini (xususiyatlarini) tanlash yoki ajratib olishni o'z ichiga oladi. scikit-learn o'lchamlarni kamaytirish uchun bir nechta yondashuvlarni taklif qiladi. ulardan biri asosiy komponentlar tahlili (pca). model tanlash mashinani o'rganish modellarini o'rgatish va sinab ko'rish uchun siz tasodifiy ravishda ma'lumotlarni kichik to'plamlarga bo'lishingiz kerak. bunga kirish va ularning tegishli chiqishlari kiradi. sklearn.model_selection.train_test_split() funksiyasi quyidagi hollarda foydalidir: >>> numpy ni np sifatida import qiling >>> sklearn.model_selection import train_test_split >>> x, y = np.arange(1, 21).reshape(-1, 2), np.arange(3, 40, 4) >>> x massivi([[ 1, 2], [ 3, 4], [ 5, 6], [ 7, 8], [ 9, 10], [11, 12], [13, 14], [ 15, 16], [17, 18], [19, 20]]) >>> y massivi([ 3, 7, 11, 15, 19, 23, 27, 31, 35, 39]) >>> x_poezd , x_test, y_train, y_test =\ ... train_test_split(x, y, …$

4 / 10

alaydi va shu bilan birga unchalik katta emas, bu esa maqbul o'quv davomiyligini ta'minlaydi. misol uchun, sklearn.datasets.load_boston() funksiyasi boston hududi uchun uy narxlari ma'lumotlarini ko'rsatadi (narxlar yangilanmagan!). 506 ta kuzatuv mavjud va kirish matritsasida 13 ta ustun (xususiyatlar) mavjud: >>> sklearn.datasets dan import load_boston >>> x, y = load_boston(return_x_y=true) >>> x.shape, y.shape ((506, 13), (506,)) ushbu ma'lumotlar to'plami ko'p o'lchovli regressiya uchun javob beradi. yana bir misol sharob bilan bog'liq ma'lumotlar to'plami. uni sklearn.datasets.load_wine() funksiyasi yordamida olish mumkin: >>> sklearn.datasets dan import load_wine >>> x, y = load_wine(return_x_y=true) >>> x.shape, y.shape ((178, 13), (178,)) >>> np.unique (y) massiv([0, 1, 2]) ushbu ma'lumotlar to'plami tasniflash uchun javob beradi. unda italiyaning uch xil vino kompaniyasiga tegishli 13 ta xususiyat va 178 ta kuzatuv mavjud. regressiya scikit-learn turli xil regressiya usullarini qo'llab-quvvatlaydi: chiziqli regressiya, k-eng yaqin qo'shnilar ko'p nomli regressiya, vektor regressiyasini qo'llab-quvvatlash, qaror daraxtlari va boshqalar, tasodifiy o'rmon va gradientni kuchaytirish kabi …

5 / 10

$test_size=0,33, random_state=0) ba'zi usullar ma'lumotlarning miqyosini (standartlashtirish) talab qiladi, boshqa usullar esa buni talab qilmaydi. bu safar biz masshtablashtirmasdan davom etamiz. endi biz regressorimizni yaratishimiz va uni o'qitish uchun tanlangan ma'lumotlar to'plami bilan o'rgatishimiz kerak: >>> regressor = randomforestregressor(n_estimators=10, random_state=0) >>> regressor.fit(x_train, y_train) randomforestregressor(bootstrap=true, criterion='mse', max_depth=yo'q, max_features=_aff='aule yo‘q, min_impurity_decrease=0,0, min_impurity_split=yo‘q, min_samples_leaf=1, min_samples_split=2, min_weight_fraction_leaf=0,0, n_estimators=10, n_jobs=yo‘q, oob_score, random_state= alse0) model o'qitilgandan so'ng, biz aniqlanish koeffitsientini ma'lumotlarning o'rgatish to'plamida va eng muhimi, modellarni o'rgatishda foydalanilmagan ma'lumotlarning test to'plamida sinovdan o'tkazamiz. >>> regressor.score(x_train, y_train) 0,9680930547240916 >>> regressor.score(x_test, y_test) 0,8219576562705848 boshqa yangi x_new kirishlari berilgan natijani bashorat qilish uchun etarlicha yaxshi o'qitilgan modeldan foydalanish mumkin. bunday holda, .predict() buyrug'i ishlatiladi: regressor.predict(x_new). tasniflash scikit-learn tasniflashni regressiya bilan bir xil tarzda amalga oshiradi. u logistik regressiya va k-eng yaqin qo'shnilar, qo'llab-quvvatlash vektor mashinasi, sodda bayes klassifikatori, qarorlar daraxti, shuningdek, tasodifiy o'rmon, adaboost va gradientni kuchaytirish kabi usullar ansamblini qo'llab-quvvatlaydi. ushbu maqola tasniflash uchun tasodifiy o'rmon usulidan …$

Хотите читать дальше?

Скачайте все 10 страниц бесплатно через Telegram.

Скачать полный файл

О "phytonda scikit kutuxonasi"

pythonda scikit kutubxonasi scikit-learn - ma'lumotlar fanlari va mashinalarni o'rganish uchun eng keng tarqalgan python paketlaridan biri. u ko'plab operatsiyalarni bajarishga imkon beradi va ko'plab algoritmlarni taqdim etadi. scikit-learn shuningdek, uning sinflari, usullari va funktsiyalari haqida mukammal hujjatlarni, shuningdek, ishlatiladigan algoritmlarning tavsifini taklif etadi. scikit-learn qo'llab-quvvatlaydi: · ma'lumotlarni oldindan qayta ishlash; · o'lchamlarni qisqartirish; · model tanlash; · regressiya; · tasniflash; · klaster tahlili. shuningdek, u modellaringizni sinab ko'rish uchun foydalanishingiz mumkin bo'lgan bir nechta ma'lumotlar to'plamini taqdim etadi. scikit-learn mashinani o'rganish bilan bog'liq hamma narsani amalga oshirmaydi. masalan, u quyidagilar uchun ha...

Этот файл содержит 10 стр. в формате DOCX (21,4 КБ). Чтобы скачать "phytonda scikit kutuxonasi", нажмите кнопку Telegram слева.

Теги: phytonda scikit kutuxonasi DOCX 10 стр. Бесплатная загрузка Telegram