Pembelajaran Mesin dengan Rust's Linfa dan Perpustakaan Polars: Regresi Linear

Dalam artikel ini, kami akan menggunakan perpustakaan Linfa Rust dan perpustakaan Polars untuk melaksanakan algoritma regresi linear dalam pembelajaran mesin.

Krat Linfa bertujuan untuk menyediakan kit alat yang komprehensif untuk membina aplikasi pembelajaran mesin menggunakan Rust.

Polars ialah perpustakaan Rust DataFrame berdasarkan model memori Apache Arrow. Apache Arrow menyediakan struktur data lajur yang cekap dan secara beransur-ansur menjadi standard de facto.

Dalam contoh di bawah, kami menggunakan set data diabetes untuk melatih algoritma regresi linear.

Buat projek Rust baharu menggunakan arahan berikut:

cargo new machine_learning_linfa

Tambah kebergantungan berikut dalam fail Cargo.toml:

[dependencies]linfa = "0.7.0"linfa-linear = "0.7.0"ndarray = "0.15.6"polars = { version = "0.35.4", features = ["ndarray"]}

Buat diabetes_file.csv fail dalam direktori akar projek dan tulis fail fail .

AGESEX BMI BPS1S2S3S4S5S6Y592 32.1101 157 93.2384 4.859887151481 21.687183 103.2 703 3.89186975722 30.593156 93.6414 4.672885141241 25.384198 131.4 405 4.890389206501 23101 192 125.4 524 4.290580135231 22.689139 64.8612 4.18976897362 2290160 99.6503 3.951282138662 26.2114 255 185 564.554.24859263602 32.183179 119.4 424 4.477394110.............

Muat turun set data dari sini: https://www4.stat.ncsu.edu/~boos/var.select/diabetes.tab.txt

Tulis yang berikut dalam src/main.rs Kod fail:

use linfa::prelude::*;use linfa::traits::Fit;use linfa_linear::LinearRegression;use ndarray::{ArrayBase, OwnedRepr};use polars::prelude::*; // Import polarsfn main() -> Result> {// 将制表符定义为分隔符let separator = b'\t';let df = polars::prelude::CsvReader::from_path("./diabetes_file.csv")?.infer_schema(None).with_separator(separator).has_header(true).finish()?;println!("{:?}", df);// 提取并转换目标列let age_series = df.column("AGE")?.cast(&DataType::Float64)?;let target = age_series.f64()?;println!("Creating features dataset");let mut features = df.drop("AGE")?;// 遍历列并将每个列强制转换为Float64for col_name in features.get_column_names_owned() {let casted_col = df.column(&col_name)?.cast(&DataType::Float64).expect("Failed to cast column");features.with_column(casted_col)?;}println!("{:?}", df);let features_ndarray: ArrayBase<ownedrepr>, _> =features.to_ndarray::<float64type>(IndexOrder::C)?;let target_ndarray = target.to_ndarray()?.to_owned();let (dataset_training, dataset_validation) =Dataset::new(features_ndarray, target_ndarray).split_with_ratio(0.80);// 训练模型let model = LinearRegression::default().fit(&dataset_training)?;// 预测let pred = model.predict(&dataset_validation);// 评价模型let r2 = pred.r2(&dataset_validation)?;println!("r2 from prediction: {}", r2);Ok(())}</float64type></ownedrepr>

• Gunakan pembaca CSV polar untuk membaca fail CSV.
• Cetak bingkai data ke konsol untuk pemeriksaan.
• Ekstrak lajur "AGE" daripada DataFrame sebagai pembolehubah sasaran untuk regresi linear. Hantar lajur sasaran ke Float64 (nombor titik terapung berketepatan ganda), yang merupakan format biasa untuk data berangka dalam pembelajaran mesin.
• Tukar ciri DataFrame kepada narray::ArrayBase (susunan berbilang dimensi) untuk keserasian dengan linfa. Tukar jujukan sasaran kepada tatasusunan yang serasi dengan perpustakaan linfa untuk pembelajaran mesin.
• Pisah set data kepada set latihan dan pengesahan menggunakan nisbah 80-20, yang merupakan amalan biasa dalam pembelajaran mesin untuk menilai model pada data yang tidak diketahui.
• Gunakan algoritma regresi linear linfa untuk melatih model regresi linear pada set data latihan.
• Gunakan model terlatih untuk membuat ramalan pada set data pengesahan.
• Kira metrik R² (Pekali Penentuan) pada set data pengesahan untuk menilai prestasi model. Nilai R² menunjukkan sejauh mana ramalan regresi menghampiri titik data sebenar.

Laksanakan larian kargo, dan keputusan larian adalah seperti berikut:

shape: (442, 11)┌─────┬─────┬──────┬───────┬───┬──────┬────────┬─────┬─────┐│ AGE ┆ SEX ┆ BMI┆ BP┆ … ┆ S4 ┆ S5 ┆ S6┆ Y ││ --- ┆ --- ┆ ---┆ --- ┆ ┆ ---┆ ---┆ --- ┆ --- ││ i64 ┆ i64 ┆ f64┆ f64 ┆ ┆ f64┆ f64┆ i64 ┆ i64 │╞═════╪═════╪══════╪═══════╪═══╪══════╪════════╪═════╪═════╡│ 59┆ 2 ┆ 32.1 ┆ 101.0 ┆ … ┆ 4.0┆ 4.8598 ┆ 87┆ 151 ││ 48┆ 1 ┆ 21.6 ┆ 87.0┆ … ┆ 3.0┆ 3.8918 ┆ 69┆ 75││ 72┆ 2 ┆ 30.5 ┆ 93.0┆ … ┆ 4.0┆ 4.6728 ┆ 85┆ 141 ││ 24┆ 1 ┆ 25.3 ┆ 84.0┆ … ┆ 5.0┆ 4.8903 ┆ 89┆ 206 ││ … ┆ … ┆ …┆ … ┆ … ┆ …┆ …┆ … ┆ … ││ 47┆ 2 ┆ 24.9 ┆ 75.0┆ … ┆ 5.0┆ 4.4427 ┆ 102 ┆ 104 ││ 60┆ 2 ┆ 24.9 ┆ 99.67 ┆ … ┆ 3.77 ┆ 4.1271 ┆ 95┆ 132 ││ 36┆ 1 ┆ 30.0 ┆ 95.0┆ … ┆ 4.79 ┆ 5.1299 ┆ 85┆ 220 ││ 36┆ 1 ┆ 19.6 ┆ 71.0┆ … ┆ 3.0┆ 4.5951 ┆ 92┆ 57│└─────┴─────┴──────┴───────┴───┴──────┴────────┴─────┴─────┘Creating features datasetshape: (442, 11)┌─────┬─────┬──────┬───────┬───┬──────┬────────┬─────┬─────┐│ AGE ┆ SEX ┆ BMI┆ BP┆ … ┆ S4 ┆ S5 ┆ S6┆ Y ││ --- ┆ --- ┆ ---┆ --- ┆ ┆ ---┆ ---┆ --- ┆ --- ││ i64 ┆ i64 ┆ f64┆ f64 ┆ ┆ f64┆ f64┆ i64 ┆ i64 │╞═════╪═════╪══════╪═══════╪═══╪══════╪════════╪═════╪═════╡│ 59┆ 2 ┆ 32.1 ┆ 101.0 ┆ … ┆ 4.0┆ 4.8598 ┆ 87┆ 151 ││ 48┆ 1 ┆ 21.6 ┆ 87.0┆ … ┆ 3.0┆ 3.8918 ┆ 69┆ 75││ 72┆ 2 ┆ 30.5 ┆ 93.0┆ … ┆ 4.0┆ 4.6728 ┆ 85┆ 141 ││ 24┆ 1 ┆ 25.3 ┆ 84.0┆ … ┆ 5.0┆ 4.8903 ┆ 89┆ 206 ││ … ┆ … ┆ …┆ … ┆ … ┆ …┆ …┆ … ┆ … ││ 47┆ 2 ┆ 24.9 ┆ 75.0┆ … ┆ 5.0┆ 4.4427 ┆ 102 ┆ 104 ││ 60┆ 2 ┆ 24.9 ┆ 99.67 ┆ … ┆ 3.77 ┆ 4.1271 ┆ 95┆ 132 ││ 36┆ 1 ┆ 30.0 ┆ 95.0┆ … ┆ 4.79 ┆ 5.1299 ┆ 85┆ 220 ││ 36┆ 1 ┆ 19.6 ┆ 71.0┆ … ┆ 3.0┆ 4.5951 ┆ 92┆ 57│└─────┴─────┴──────┴───────┴───┴──────┴────────┴─────┴─────┘r2 from prediction: 0.15937814745521017

Bagi saintis data yang mengutamakan lelaran pantas dan prototaip pantas, masa penyusunan Rust boleh menyusahkan. Sistem jenis statik kuat Rust, di samping baik untuk memastikan keselamatan jenis dan mengurangkan ralat masa jalan, juga menambah lapisan kerumitan pada proses pengekodan.

Atas ialah kandungan terperinci Pembelajaran Mesin dengan Rust's Linfa dan Perpustakaan Polars: Regresi Linear. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!