|
Image Recognition
|
| bet | 84/182 | | Sana | 19.05.2024 | | Hajmi | 5,69 Mb. | | #244351 |
Bog'liq Python sun\'iy intellekt texnologiyasi Dasrlik 2024Grafikda grafik chizish
2. Grafiklar oilasi. Bunday holda, tuval subplots() usuli bilan yaratiladi, uning parametri raqamlar to‘plami, u nechta gorizontal va vertikal grafiklarni o‘z ichiga oladi. Bu uchta grafikdan bir qatorni quraylik.
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(16, 5))
for pow, ax in enumerate(axes):
ax.plot(x, x**(pow + 1), 'b’)
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_title(f'$y = x^{pow + 1}$', fontsize=18)
fig.tight_layout() # avtomatik ravishda barcha grafikalarni Tuval hajmiga moslashtiradi
6.2.11-rasm. Avtomatik ravishda barcha grafikalar dasturi natijasi
Grafiklar oilasi. Ushbu har bir tuval yorlig’i LaTeX formulalaridan foydalanadi
Matplotlib statistik chizmalarni yaratish uchun javob beradi. Bu juda katta maydon, ammo keling, erkaklar va ayollar uchun yosh bo‘yicha yo‘lovchilar taqsimotining gistogrammasini tuzamiz. Biz ma’lumotlar bilan bir xil titanik ma’lumotlar to‘plamidan foydalanamiz .
fig = plt.figure()
axes = fig.add_axes([0.0, 0.0, 1.0, 1.0])
bins = 20 # ustunlar soni
index = np.arange(bins) # 0 dan bins - 1 gacha ro‘yxat yarating
axes.hist(data[data['sex'] == 'male’]['age’].dropna(), bins=bins, alpha=0.6, label=' Erkaklar ') # tuvalga erkaklar o‘rtasida yosh taqsimotining gistogrammasini qo‘shing
axes.hist(data[data['sex'] == 'female’]['age’].dropna(), bins=bins, alpha=0.6, label="Ayollar") # tuvalga ayollar o‘rtasida yosh taqsimotining gistogrammasini qo‘shing
axes.legend() # afsonani qurish
axes.set_xlabel(' Yoshi ', fontsize=18)
axes.set_ylabel(' Miqdori ', fontsize=18)
axes.set_title('Insonning jinsi bo‘yicha yosh taqsimoti ', fontsize=18)
plt.show()
6.2.12-rasm. Taqsimotining gistogrammasi
Xulosa:
Xulosa qilib aytganda, ma’lumotlarni tahlil qilish va bashorat qilish vazifalarida Python va Machine Learning-dan foydalanish kontekstida ko‘rib chiqilgan asosiy fikrlar va xulosalarni umumlashtirish mumkin. Bu erda mumkin bo‘lgan xulosa:
Ushbu asarda ma’lumotlarni tahlil qilish va bashorat qilish maqsadida mashinali o‘qitish sohasida Python dasturlash tilidan foydalanishga kirish kiritildi. Biz Python-da ma’lumotlarni samarali qayta ishlash uchun pandas va NumPy kabi asosiy kutubxonalarni qo‘llashni ko‘rib chiqdik, bu esa ma’lumotlarni keyingi tahlil qilish uchun tayyorlashda muhim rol o‘ynaydi.
Scikit-learn Machine Learn kutubxonasi yordamida bashoratli modellarni yaratishga alohida e’tibor qaratildi. Turli xil mashinalarni o‘rganish algoritmlaridan foydalanish ma’lumotlarni bashorat qilish va tahlil qilish muammolarini samarali hal qilishga imkon beradi.
Xulosa qilib aytganda, Python va mashinali o‘qitish kutubxonalaridan foydalanish tadqiqotchilar va ma’lumotlar mutaxassislari uchun tahlil qilish, qayta ishlash va bashorat qilish uchun keng imkoniyatlarni ochib beradi, bu esa ushbu texnologiyani zamonaviy ma’lumotlarni tahlil qilish dunyosida muhim vositaga aylantiradi.
|
| |
