Filme porno

Categorii

Advertising

Clasificati speciile de iris folosind Python si regresia logistica

randerson112358

13 iunie 2019 · 4 min de citire

Programul Python de regresie logistica

In acest articol va voi arata cum sa scrieti un program simplu de regresie logistica pentru a clasifica o specie de iris ca fie ( virginica , setosa sau versicolor ) pe baza lungimii pedalei, inaltimii pedalei, lungimii sepalei si inaltimii sepalelor folosind o invatare automata algoritm numit Regresie Logistica.

Regresia logistica este un model care foloseste o functie logistica pentru a modela o variabila dependenta. La fel ca toate analizele de regresie , regresia logistica este o analiza predictiva. Regresia logistica este utilizata pentru a descrie date si pentru a explica relatia dintre o variabila dependenta si una sau mai multe variabile nominale, ordinale, de interval sau de nivel de raport independente.

Un grafic de functii logistice

Daca preferati sa nu cititi acest articol si doriti o reprezentare video a acestuia, puteti consulta videoclipul YouTube de mai jos. Trece prin toate articolele din acest articol cu ​​ceva mai multe detalii si va va ajuta sa incepeti cu usurinta programarea propriului model de invatare automata in Python. Sau puteti utiliza ambele (acest articol si acest videoclip) ca materiale suplimentare pentru a afla despre invatarea automata!

Voi incepe prin a declara ce vreau sa faca acest program. Vreau ca acest program pentru a anticipa / clasifica speciile de iris fie ca ( virginica , setosa sau versicolor ) , pe off de lungimea pedalei , inaltimea pedalei , lungimea septului , si inaltimea septului

Mai intai voi importa dependentele, ceea ce va face acest program putin mai usor de scris. Import import biblioteca de invatare automata sklearn , seaborn si matplotlib .

Array

# Import dependentele de

import matplotlib.pyplot ca plt

import SEABORN ca sns

din sklearn.linear_model import LogisticRegression

din sklearn.metrics import classification_report

din sklearn.metrics import accuracy_score

din sklearn.model_selection import train_test_split

In continuare voi incarca setul de date din biblioteca seaborn, il voi stoca intr-o variabila numita date si voi imprima primele 5 randuri de date.

#Incarcati setul de

date data = sns.load_dataset (“iris”)

data.

head ()

Primele 5 randuri ale setului de date Iris

Incepeti sa pregatiti setul de date de antrenament stocand toate variabilele / coloanele / caracteristicile independente intr-o variabila numita „X” si stocati variabila independenta / tinta intr-o variabila numita „y”.

#Pregatiti setul de antrenament

# X = valorile caracteristicilor, toate coloanele, cu exceptia ultimei coloane

X = data.iloc [:,: -1]

# y = valori tinta, ultima coloana a cadrului de date

y = data.iloc [:, -1]

Trasati relatia fiecarei caracteristici / coloane cu fiecare specie. Voi folosi un grafic scatter pentru a arata aceasta relatie. Lungimea sepalului va fi albastra, latimea sepalului va fi verde, lungimea petalelor va fi rosie si latimea petalelor va fi neagra.

# Trasati relatia fiecarei caracteristici cu fiecare specie

plt.xlabel („Caracteristici”)

plt.ylabel („Specie”)

pltX = data.loc [:, ‘sepal_length’]

pltY = data.loc [:, ‘specie’]

plt.scatter (pltX, pltY, color = ‘blue’, label = ‘sepal_length’)

pltX = data.loc [:, ‘sepal_width’]

pltY = data.loc [:, ‘species’]

plt.scatter (pltX, pltY, color = ‘green’, label = ‘sepal_width’)

pltX = data.loc [:, ‘petal_length’]

pltY = data.loc [:, ‘species’]

plt.scatter (pltX, pltY, color = ‘red’, label = ‘petal_length’)

pltX = data.loc [:, ‘petal_width’]

pltY = data.loc [:, ‘specie’]

plt.scatter (pltX, pltY, color = ‘negru’, eticheta = ‘petal_width’)

plt.legend (loc = 4, prop = {‘size’: 8})

plt.show ()

Graficul fiecarei relatii cu fiecare specie

Impartiti datele in formare de 80% si testare de 20% folosind metoda train_test_split () din biblioteca sklearn.model_selection si stocati datele in x_train, x_test, y_train si y_test.

#Spliteaza datele in 80% antrenament si 20% testare

x_train, x_test, y_train, y_test = train_test_split (X, y, test_size = 0.2, random_state = 42)

Creati si instruiti modelul de regresie logistica!

#Train model

model = LogisticRegression ()

model.fit (x_train, y_train) #Training model

Acum ca modelul este instruit, voi imprima predictiile si voi obtine cateva valori din model pe baza setului de date de testare. Pe baza metricilor, se pare ca modelul a clasificat corect fiecare specie.

# Testati modelul

predictii = model.predict (x_test)

print (predictii) # predictii de imprimare

print () # Tiparire linie noua

# Verificati precizia, rechemarea,

tiparirea scorului f1 (clasificare_report (test_y, predictii))

print (punctaj_acuratete (test_y, predictii))

Evidentiat in galben este predictia modelelor. Mai jos sunt valorile.

Asta este, ati terminat de creat programul de regresie logistica pentru a clasifica speciile de iris! Din nou, daca doriti, puteti sa ma urmariti si sa ma ascultati explicand tot codul din videoclipul meu de pe YouTube .

Daca sunteti interesat sa cititi mai multe despre invatarea automata pentru a incepe imediat cu probleme si exemple, va recomand cu tarie sa consultati Hands-On Machine Learning cu Scikit-Learn si TensorFlow: Concepte, instrumente si tehnici pentru a construi sisteme inteligente . Este o carte excelenta pentru a ajuta incepatorii sa invete cum sa scrie programe de invatare automata si sa inteleaga conceptele de invatare automata.

Invatare automata manuala cu Scikit-Learn si TensorFlow: concepte, instrumente si tehnici pentru a construi sisteme inteligente

Va multumim ca ati citit acest articol si sper ca va va fi de ajutor pentru toti! Daca ti-a placut acest articol si ti s-a parut de ajutor, te rog, lasa cateva clape pentru a-ti arata aprecierea. Continuati invatarea si, daca va place invatarea automata, matematica, informatica, programarea sau analiza algoritmilor, va rugam sa vizitati si sa va abonati la canalele mele YouTube (randerson112358 si compsci112358).

Video Description:

randerson11235813 iunie 2019 · 4 min de citireProgramul Python de regresie logisticaIn acest articol va voi arata cum sa scrieti un program simplu de regresie logistica pentru a clasifica o specie de iris ca fie ( virginica , setosa sau versicolor ) pe baza lungimii pedalei, inaltimii pedalei, lungimii sepalei si inaltimii sepalelor folosind o invatare automata algoritm numit Regresie Logistica.Regresia logistica este un model care foloseste o functie logistica pentru a modela o variabila dependenta. La fel ca toate analizele de regresie , regresia logistica este o analiza predictiva. Regresia logistica este utilizata pentru a descrie date si pentru a explica relatia dintre o variabila dependenta si una sau mai multe variabile nominale, ordinale, de interval sau de nivel de raport independente.Un grafic de functii logisticeDaca preferati sa nu cititi acest articol si doriti o reprezentare video a acestuia, puteti consulta videoclipul YouTube de mai jos. Trece prin toate articolele din acest articol cu ​​ceva mai multe detalii si va va ajuta sa incepeti cu usurinta programarea propriului model de invatare automata in Python. Sau puteti utiliza ambele (acest articol si acest videoclip) ca materiale suplimentare pentru a afla despre invatarea automata!Voi incepe prin a declara ce vreau sa faca acest program. Vreau ca acest program pentru a anticipa / clasifica speciile de iris fie ca ( virginica , setosa sau versicolor ) , pe off de lungimea pedalei , inaltimea pedalei , lungimea septului , si inaltimea septuluiMai intai voi importa dependentele, ceea ce va face acest program putin mai usor de scris. Import import biblioteca de invatare automata sklearn , seaborn si matplotlib . Array # Import dependentele de import matplotlib.pyplot ca plt import SEABORN ca sns din sklearn.linear_model import LogisticRegression din sklearn.metrics import classification_report din sklearn.metrics import accuracy_score din sklearn.model_selection import train_test_splitIn continuare voi incarca setul de date din biblioteca seaborn, il voi stoca intr-o variabila numita date si voi imprima primele 5 randuri de date.#Incarcati setul de date data = sns.load_dataset ("iris") data. rihanna porno bankunited.info porno pokemon crandall.org porno gay france images.google.com.gi porno luxure zissos.com porno escort www.electrohardware.net porno simpson livefreeordie.biz shakira porno autovalueservice.com russe porno onlinebsi.com fist porno advantagedental.info prof porno producerschool.com porno mia kalifa mlincoln.com tiffany leiddi porno mammeninc.net porno humour www.mydailystyle.com porno x art hmpaysoncompany.org porno drome unitedhumanity.net public agent porno chromalloy.biz voila porno quailcreeksourcebook.com tik tok porno www.annuals.com plan a 3 porno www.settlementfactor.com porno chantage atoosarubenstein.us head ()Primele 5 randuri ale setului de date IrisIncepeti sa pregatiti setul de date de antrenament stocand toate variabilele / coloanele / caracteristicile independente intr-o variabila numita „X” si stocati variabila independenta / tinta intr-o variabila numita „y”.#Pregatiti setul de antrenament# X = valorile caracteristicilor, toate coloanele, cu exceptia ultimei coloane X = data.iloc [:,: -1]# y = valori tinta, ultima coloana a cadrului de date y = data.iloc [:, -1]Trasati relatia fiecarei caracteristici / coloane cu fiecare specie. Voi folosi un grafic scatter pentru a arata aceasta relatie. Lungimea sepalului va fi albastra, latimea sepalului va fi verde, lungimea petalelor va fi rosie si latimea petalelor va fi neagra.# Trasati relatia fiecarei caracteristici cu fiecare specieplt.xlabel („Caracteristici”) plt.ylabel („Specie”)pltX = data.loc [:, 'sepal_length'] pltY = data.loc [:, 'specie'] plt.scatter (pltX, pltY, color = 'blue', label = 'sepal_length')pltX = data.loc [:, 'sepal_width'] pltY = data.loc [:, 'species'] plt.scatter (pltX, pltY, color = 'green', label = 'sepal_width')pltX = data.loc [:, 'petal_length'] pltY = data.loc [:, 'species'] plt.scatter (pltX, pltY, color = 'red', label = 'petal_length')pltX = data.loc [:, 'petal_width'] pltY = data.loc [:, 'specie'] plt.scatter (pltX, pltY, color = 'negru', eticheta = 'petal_width')plt.legend (loc = 4, prop = {'size': 8}) plt.show ()Graficul fiecarei relatii cu fiecare specieImpartiti datele in formare de 80% si testare de 20% folosind metoda train_test_split () din biblioteca sklearn.model_selection si stocati datele in x_train, x_test, y_train si y_test.#Spliteaza datele in 80% antrenament si 20% testare x_train, x_test, y_train, y_test = train_test_split (X, y, test_size = 0.2, random_state = 42)Creati si instruiti modelul de regresie logistica!#Train model model = LogisticRegression () model.fit (x_train, y_train) #Training modelAcum ca modelul este instruit, voi imprima predictiile si voi obtine cateva valori din model pe baza setului de date de testare. Pe baza metricilor, se pare ca modelul a clasificat corect fiecare specie.# Testati modelul predictii = model.predict (x_test) print (predictii) # predictii de imprimareprint () # Tiparire linie noua# Verificati precizia, rechemarea, tiparirea scorului f1 (clasificare_report (test_y, predictii))print (punctaj_acuratete (test_y, predictii))Evidentiat in galben este predictia modelelor. Mai jos sunt valorile.Asta este, ati terminat de creat programul de regresie logistica pentru a clasifica speciile de iris! Din nou, daca doriti, puteti sa ma urmariti si sa ma ascultati explicand tot codul din videoclipul meu de pe YouTube .Daca sunteti interesat sa cititi mai multe despre invatarea automata pentru a incepe imediat cu probleme si exemple, va recomand cu tarie sa consultati Hands-On Machine Learning cu Scikit-Learn si TensorFlow: Concepte, instrumente si tehnici pentru a construi sisteme inteligente . Este o carte excelenta pentru a ajuta incepatorii sa invete cum sa scrie programe de invatare automata si sa inteleaga conceptele de invatare automata.Invatare automata manuala cu Scikit-Learn si TensorFlow: concepte, instrumente si tehnici pentru a construi sisteme inteligenteVa multumim ca ati citit acest articol si sper ca va va fi de ajutor pentru toti! Daca ti-a placut acest articol si ti s-a parut de ajutor, te rog, lasa cateva clape pentru a-ti arata aprecierea. Continuati invatarea si, daca va place invatarea automata, matematica, informatica, programarea sau analiza algoritmilor, va rugam sa vizitati si sa va abonati la canalele mele YouTube (randerson112358 si compsci112358).

Categorie:
Taguri:
Data adaugarii: