Wie implementiert man eine lineare Klassifizierung mit Python Scikit-learn?

Die lineare Klassifizierung ist eines der einfachsten Probleme des maschinellen Lernens. Um eine lineare Klassifizierung zu erreichen, verwenden wir den SGD-Klassifikator (Stochastic Gradient Descent) von sklearn, um Irisblütensorten vorherzusagen.

Schritte

Sie können eine lineare Klassifizierung mit Python Scikit-learn implementieren, indem Sie die folgenden Schritte ausführen:

Schritt 1 − Importieren Sie zunächst die notwendigen Pakete scikit-learn, NumPy und matplotlib

Schritt 2 − Laden Sie den Datensatz und erstellen Sie Trainings- und Testdatensätze.

Schritt 3 − Verwenden Sie matplotlib, um die Trainingsinstanz zu zeichnen. Obwohl dieser Schritt optional ist, empfiehlt es sich, das Beispiel deutlicher zu veranschaulichen.

Schritt 4 − Erstellen Sie ein Objekt des SGD-Klassifikators, initialisieren Sie seine Parameter und trainieren Sie das Modell mit der fit()-Methode.

Schritt 5 − Bewerten Sie die Ergebnisse mithilfe des Metrikpakets der Python Scikit-learn-Bibliothek.

Beispiel

wird übersetzt als:

Beispiel

Sehen wir uns das folgende Beispiel an, in dem wir die Art einer Irisblume anhand von zwei Merkmalen der Irisblume vorhersagen, nämlich der Kelchblattbreite und der Kelchblattlänge.

# Import required libraries
import sklearn
import numpy as np
import matplotlib.pyplot as plt
# %matplotlib inline

# Loading Iris flower dataset
from sklearn import datasets
iris = datasets.load_iris()
X_data, y_data = iris.data, iris.target

# Print iris data shape
print ("Original Dataset Shape:",X_data.shape, y_data.shape)

# Dividing dataset into training and testing dataset and standarized the features
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# Getting the Iris dataset with only the first two attributes
X, y = X_data[:,:2], y_data

# Split the dataset into a training and a testing set(20 percent)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20, random_state=1)
print ("\nTesting Dataset Shape:", X_train.shape, y_train.shape)

# Standarize the features
scaler = StandardScaler().fit(X_train)
X_train = scaler.transform(X_train)
X_test = scaler.transform(X_test)

# Plot the dataset
# Set the figure size
plt.figure(figsize=(7.16, 3.50))
plt.subplots_adjust(bottom=0.05, top=0.9, left=0.05, right=0.95)
plt.title('Training instances', size ='18')
colors = ['orange', 'green', 'cyan']
for i in range(len(colors)):
   px = X_train[:, 0][y_train == i]
   py = X_train[:, 1][y_train == i]
   plt.scatter(px, py, c=colors[i])
   
plt.legend(iris.target_names)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

# create the linear model SGDclassifier
from sklearn.linear_model import SGDClassifier
linear_clf = SGDClassifier()

# Train the classifier using fit() function
linear_clf.fit(X_train, y_train)

# Print the learned coeficients
print ("\nThe coefficients of the linear boundary are:", linear_clf.coef_)
print ("\nThe point of intersection of the line are:",linear_clf.intercept_)

# Evaluate the result
from sklearn import metrics
y_train_pred = linear_clf.predict(X_train)
print ("\nThe Accuracy of our classifier is:", metrics.accuracy_score(y_train, y_train_pred)*100)

Ausgabe

Es wird die folgende Ausgabe erzeugt

Original Dataset Shape: (150, 4) (150,)

Testing Dataset Shape: (120, 2) (120,)

The coefficients of the linear boundary are: [[-28.85486061 13.42772422]
[ 2.54806641 -5.04803702]
[ 7.03088805 -0.73391906]]

The point of intersection of the line are: [-19.61738307 -3.54055412 -0.35387805]

Die Genauigkeit unseres Klassifikators: 76,66666666666667

Das obige ist der detaillierte Inhalt vonWie implementiert man eine lineare Klassifizierung mit Python Scikit-learn?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!