|
Image Recognition
|
| bet | 28/182 | | Sana | 19.05.2024 | | Hajmi | 5,69 Mb. | | #244351 |
Bog'liq Python sun\'iy intellekt texnologiyasi Dasrlik 2024Avtomobil sanoati: Avtonom transport vositalari sohasida mashinali o‘qitish yo‘l sharoitlarini aniqlash, qaror qabul qilish va yo‘l xavfsizligini ta’minlash uchun ishlatiladi.
Mashinali o‘qitish kundalik texnologiyalarning tobora muhim tarkibiy qismiga aylanib, ularga aqlli xususiyatlarni olib keladi va yanada samarali va innovatsion dasturlarni yaratishga yordam beradi.
Python tilida mashinali o‘qitish modelini yaratish uchun scikit-learn kutubxonasidan foydalanishning oddiy misolini ko‘rib chiqaylik. Ushbu misolda biz tasniflash modelini yaratish uchun Iris ma’lumotlar to‘plamidan foydalanamiz. Ushbu misol Python-da mashinali o‘qitish asoslarini namoyish etadi.
# Kerakli kutubxonalarni import qilish
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
# Iris ma’lumotlar to‘plamini yuklab oling
iris = datasets.load_iris()
X = iris.data # признаки
y = iris.target # метки классов
# Biz ma’lumotlarni o‘quv va test namunalariga ajratamiz
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# K-eng yaqin qo‘shnilar (KNN)tasniflash modelini yarating
knn_model = KNeighborsClassifier(n_neighbors=3)
# Biz modelni o‘quv namunasida o‘rgatamiz
knn_model.fit(X_train, y_train)
# Sinov namunasi uchun sinflarni bashorat qilish
y_pred = knn_model.predict(X_test)
# Modelning aniqligini baholash
accuracy = accuracy_score(y_test, y_pred)
print(f' Modelning aniqligi:{accuracy}')
Ushbu misolda:
Bu Irisning uchta turi (setosa, versicolor, virginica) haqidagi ma’lumotlarni o‘z ichiga olgan Iris ma’lumotlar to‘plamidan foydalanamiz.
Ma’lumotlar o‘quv va test namunalariga bo‘linadi.
Biz n_neighbors=3 parametrli K-eng yaqin qo‘shnilar (KNN) modelini yaratamiz.
Biz modelni o‘quv namunasida o‘rgatamiz va test namunasi uchun sinflarni bashorat qilamiz.
Bu aniqlik metrikasi yordamida modelning aniqligini baholaymiz.
Bu shunchaki asosiy misol va haqiqiy loyihalarda ma’lumotlarni qayta ishlash, to‘g’ri modelni tanlash, parametrlarni sozlash va boshqalar kabi ko‘proq qadamlar kerak bo‘ladi.biroq, ushbu dastur scikit-learn kutubxonasi yordamida Python-da mashinali o‘qitishdan qanday foydalanish haqida umumiy ma’lumot beradi.
Scikit-learn kutubxonasi yordamida misollarni ko‘rib chiqaylik. Ushbu kutubxona tasniflash, regressiya, klasterlash va ma’lumotlarni qayta ishlash va modellarni baholash vositalarini o‘z ichiga olgan ko‘plab mashinalarni o‘rganish vositalarini taqdim etadi. Quyida scikit-learn yordamida asosiy vazifalarga misollar keltirilgan:
|
| |
