|
Image Recognition
|
bet | 19/182 | Sana | 19.05.2024 | Hajmi | 5,69 Mb. | | #244351 |
Bog'liq Python sun\'iy intellekt texnologiyasi Dasrlik 2024Ma’lumotlarni yig’ish: Mashinali o‘qitish modelini yaratishda birinchi qadam ma’lumotlarni olish va tayyorlashdir. Bu turli manbalardan ma’lumotlarni to‘plash, ma’lumotlarni tozalash va uni mashinali o‘qitish modeli tomonidan ishlatilishi mumkin bo‘lgan tarzda formatlashni o‘z ichiga olishi mumkin.
import pandas as pd
# csv faylidan ma’lumotlarni yuklash
data = pd.read_csv('data.csv')
# ma’lumotlarning dastlabki 5 qatorini chop eting
print(data.head())
Ma’lumotlarni tayyorlash: Ma’lumotlar olingandan so‘ng, uni mashinali o‘qitish modelida ishlatish uchun tayyorlash kerak. Bu etishmayotgan ma’lumotlarni qayta ishlash, ma’lumotlarni masshtablash yoki normallashtirish va ma’lumotlarni o‘qitish va sinov to‘plamlariga bo‘lish kabi vazifalarni o‘z ichiga olishi mumkin.
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
# ma’lumotlarni o‘quv va sinov to‘plamlariga bo‘lish
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# ma’lumotlarni normallashtirish
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
Model o‘qitish: Ma’lumotlar tayyorlangandan so‘ng, keyingi qadam modelni o‘qitishdir. Bu tegishli algoritmni tanlash va tayyorlangan ma’lumotlardan modelni o‘qitish uchun foydalanishni o‘z ichiga oladi.
from sklearn.linear_model import LinearRegression
# chiziqli regressiya modelini yaratish
model = LinearRegression()
# ta’lim ma’lumotlari bo‘yicha modelni o‘rgating
model.fit(X_train, y_train)
Modelni baholash: Model o‘qitilgandan so‘ng, uning yaxshi ishlashini ta’minlash uchun uni baholash kerak. Bu modelni yangi ma’lumotlar bo‘yicha sinovdan o‘tkazish va aniqlik yoki o‘rtacha kvadrat xato kabi ko‘rsatkichlarni hisoblashni o‘z ichiga olishi mumkin.
from sklearn.metrics import mean_squared_error
# test ma’lumotlari bo‘yicha bashorat qilishy_pred = model.predict(X_test)
# o‘rtacha kvadrat xatoni hisoblang
mse = mean_squared_error(y_test, y_pred)
# o‘rtacha kvadrat xatoni chop eting
print(mse)
|
| |