Merged · Machine Learning

Класифікація за допомогою sklearn

Розглянемо, як розв’язувати задачі класифікації з використанням бібліотеки sklearn. На двох практичних прикладах - текстові дані та класи з сильним дисбалансом - розберемо повний підхід до побудови, навчання й коректної оцінки моделей.

Відкрити у PITMA

Код і результати

Опублікована версія після Merge. Результати збережені автором; код на цій сторінці не запускається.

Пояснення · 1

#Iris Species Classifier Порівняння класичних алгоритмів машинного навчання (Random Forest, Decision Tree, Logistic Regression, SVM) на задачі класифікації квітів ірису за ознаками чашолистка та пелюстки. Посилання на сам проект в середовищі Google Colab залишаю посилання тут для того щоб ви змогли власноруч запустити кожен рядок коду https://colab.research.google.com/drive/1Z_4d2UYIheQvA2kyKLLVaneMslwOA88F#scrollTo=EG9zqYDWsg6F

#Опис проекту Проект демонструє повний цикл вирішення задачі класифікації на класичному датасеті Iris:

підготовка та розбиття даних на тренувальні / тестові вибірки; навчання декількох моделей класифікації; нормалізація ознак (StandardScaler) для моделей, чутливих до масштабу; оцінка якості моделей за метриками Accuracy та F1-score.

Python · 2

import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score, f1_score

iris = datasets.load_iris()

Python · 3

print(iris.feature_names)
# ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

print(iris.target_names)
# ['setosa' 'versicolor' 'virginica']