|
Qarshi filiali kompyuter injinering fakulteti
|
| bet | 2/3 | | Sana | 17.05.2024 | | Hajmi | 43,75 Kb. | | #239204 |
Bog'liq Qarshi filiali kompyuter injinering fakulteti# Ma’lumotlarni o’qish
from sklearn.datasets import load_iris
import pandas as pd
iris = load_iris()
X = pd.DataFrame(iris.data, columns=iris.feature_names)
y = iris.target
# Sinflashtirish modelini o’qitish
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
log_reg = LogisticRegression()
log_reg.fit(X_train, y_train)
y_pred = log_reg.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Logistic Regression accuracy:", accuracy)
# KNN modelini o’qitish
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)
y_pred = knn.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("KNN accuracy:", accuracy)
# KMeans modelini o’qitish
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3)
kmeans.fit(X_train)
y_pred = kmeans.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("KMeans accuracy:", accuracy)
# TensorFlow or PyTorch kutubxonalari orqali ko’p sathli neyron tarmoqlarini o’rganish
Bu kod, Iris guli ma’lumotlarini o’qiydi, sinflashtirish modelini o’rgatadi (logistik regressiya va KNN), KMeans klasterlash modelini o’rgatadi va natijalarni baholaydi. Ko’p sathli neyron tarmoqlarini TensorFlow yoki PyTorch kutubxonalaridan o’rganishning umumiy shabloni ham shunga o’xshash bo’ladi.
X u l o s a
Yuqoridagi kod sinov uchun ko’p sathli neyron tarmoqlarini TensorFlow yoki PyTorch orqali o’rganishga oid emas, ammo Iris guli ma’lumotlarini sinflashtirish uchun logistik regressiya, KNN, va KMeans klasterlash modellari yaratish va ularning aniqlik baholash uchun amalga oshirilgan.
1. Logistik regressiya (Logistic Regression): Ushbu model ma’lumotlar to’plamini qabul qilib, u bilan sinf (sinflar) ni aniqlash uchun ishlatiladi. Natijalarining aniq bo’lishi uchun test qismi ustida sinov o’tkaziladi va aniqlik darajasini hisoblash uchun haqiqiy va taxminiy qiymatlarni solishtiriladi.
2. KNN (K-Nearest Neighbors): Bu model ma’lumotlar to’plamini qabul qilib, yangi ma’lumotlar uchun eng yaqin ma’lumotlarni aniqlashda foydalaniladi. Sinflashtirilgan ma’lumotlar uchun natijalar, test qismi ustida taxminiy natijalarga solishtiriladi va aniqlik darajasi hisoblanadi.
3. KMeans klasterlash: Ushbu model ma’lumotlar to’plamini klastirlashda ishlatiladi. Ushbu sinovda, sinflar soni 3 ta qilindi, shuning uchun 3 ta klasterni aniqlash uchun KMeans algoritmi qo’llaniladi. Natijalar, test qismi ustida taxminiy natijalarga solishtiriladi va aniqlik darajasi hisoblanadi.
Har bir model uchun `accuracy_score` funksiyasi yordamida aniqlik darajasi hisoblanadi. Natijalar ko’rsatilishi kerak bo’lsa, konsolga chiqariladi. Ushbu natijalar uchun, qo’llanilgan modellar haqida ma’lumotlar olishga yordam beradi va qanday modelning Iris guli ma’lumotlarini qanday sinf (sinflar) ga bo’lishi mumkinligi haqida fikrlar beradi.
|
| |
