L... Apprentissage automatique avec Python - Principes de base. The code below reads the data into a Pandas data frame, and then separates the data frame into a y vector of the response and an X matrix of explanatory variables: When running this code, just be sure to change the file system path on line 4 to suit your setup. Cela peut être fait à l'aide du suivant -, Ensuite, nous pouvons obtenir le score de précision, matrice de confusion et rapport de classification comme suit-, de sklearn.metrics import classification_report, confusion_matrix, precision_score result = confusion_matrix (y_test, y_pred) print ( "Confusion Matrix: ") print (result) result1 = classification_report (y_test, y_pred) print ( "Classification Report: ",) print (result1) result2 = precision_score (y_test, y_pred) print ( "Précision: ", résultat2), Matrice de confusion: [[116 30] [46 39]] Rapport de classification: rappel de précision Support du score f1 0 0,72 0,79 0,75 146 1 0,57 0,46 0,51 85 micro moy 0,67 0,67 0,67 231 macro moyenne 0,64 0,63 0,63 231 moyenne pondérée 0,66 0,67 0,66 231 Précision: 0,670995670995671, L'arbre de décision ci-dessus peut être visualisé à l'aide du code suivant -, de sklearn.tree import export_graphviz from sklearn.externals.six import StringIO depuis IPython.display import Importation d'image pydotplus dot_data = StringIO () export_graphviz (clf, out_file = dot_data, rempli = True, arrondi = True, special_characters = True, feature_names = feature_cols, class_names = [ ' 0 ', ' 1 ']) graph = pydotplus.graph_from_dot_data (dot_data.getvalue ()) graph.write_png (' Pima_diabetes_Tree.png ') Image (graph.create_png ()). La différence entre ces deux est que le linearSVC est implémenté en liblinear, le SVC, quant à lui, est implémenté enlibsvm. En général, l'analyse de l'arbre de décision est un outil de modélisation prédictive qui peut être appliqué dans de nombreux domaines. 1.1. Dans le code suivant on a tout d’abord importé la classe SVC puis on a fractionné notre dataset à l’aide de train_test_split qu’on a précédemment importé. Et ils fonctionnent mal avec les classes qui se chevauchent et dépendent du noyau utilisé. Une valeur d'indice de Gini parfaite est 0 et la pire est 0,5 (pour le problème à 2 classes). spécialisés pour Python: la classification ascendante hiérarchique (CAH –Package SciPy) ; la méthode des centres mobiles (k-Means –Package Scikit-Learn). Les algorithmes de régression linéaire modélisent la relation entre des variables … De SORTE que le Jeu de Données provient d'une Base de données MySQL et il peut contenir plusieurs formation de cordes et de chaînes de test ainsi! Para mais detalhes, acompanhar a playlist listada. Nous pouvons créer une Partie 1: Calcul du score de Gini - Nous avons vient de discuter de cette partie dans la section précédente. La reconnaissance de motifs peut être effectuée au moyen de divers L’algorithme knn python d’apprentissage des k plus proches voisins (KNN) est utilisé pour effectuer de la classification de données. La même routine de prédiction est appelée à nouveau avec les nœuds gauche ou droit enfant. Les méthodes s'étendent souvent à des variables Y quantitatives (régression). Cela peut être fait à l'aide du suivant - y_pred = clf.predict (X_test) Ensuite, nous pouvons obtenir le score de précision, matrice de confusion et rapport de classification comme suit- de sklearn.metrics import classification_report, confusion_matrix, precision_score result = confusion_matrix (y_test, y_pred) print ( "Confusion Matrix: ") print (result) result1 = classification_report (y_test, y_pred) print ( "Classification Report: ",) print (result1) result2 = precision_score (y_test, y_pred) print ( "Précision: ", résultat2) Sortie Matrice de confusion: [[116 30] [46 39]] Rapport de classification: rappel de précision Support du score f1 0 0,72 0,79 0,75 146 1 0,57 0,46 0,51 85 micro moy 0,67 0,67 0,67 231 macro moyenne 0,64 0,63 0,63 231 moyenne pondérée 0,66 0,67 0,66 231 Précision: 0,670995670995671 Visualisation de l'arbre de décision L'arbre de décision ci-dessus peut être visualisé à l'aide du code suivant - de sklearn.tree import export_graphviz from sklearn.externals.six import StringIO depuis IPython.display import Importation d'image pydotplus dot_data = StringIO () export_graphviz (clf, out_file = dot_data, rempli = True, arrondi = True, special_characters = True, feature_names = feature_cols, class_names = [ ' 0 ', ' 1 ']) graph = pydotplus.graph_from_dot_data (dot_data.getvalue ()) graph.write_png (' Pima_diabetes_Tree.png ') Image (graph.create_png ()) (adsbygoogle = window.adsbygoogle || []).push({});//

D'ailleurs En Anglais Wordreference, La Maison Des Maternelles Horaires 2020, Carte Martinique Guadeloupe, Fait Fondre Doucement Mots Fléchés, Marin Haute-savoie France, Travailler Seul Synonyme, Citation Motivation Réussite, Catalogue Damart Gratuit,

Postat i Uncategorized