Мы собираемся классифицировать предупреждающие знаки, используя шаблоны скорости и другие модели, используя методы классификации машинного обучения, такие как дерево решений, логистическая регрессия, нейронные сети и персептрон.
Задействованные модули:
- Загрузка и предварительная обработка наших данных
- Разделение данных на обучающую и тестовую выборки.
- Использование различных методов машинного обучения, таких как дерево решений, логистическая регрессия, нейронные сети и персептрон.
- Различные настройки могут быть оценены с использованием подходящих показателей оценки, таких как точность, точность, полнота и т. д.
- Вывод лучшей модели.
О данных:
Имя моего набора данных — Amiss.csv. Он имеет 8437 строк и 5 столбцов, а столбцы - это скорость, период, предупреждение, пара. Наша целевая метка здесь — скорость, нам нужно классифицировать группу на основе периода и пары.
- Загрузка данных и предварительная обработка:
Этот код считывает набор данных с помощью pandas.
мы использовали следующий код для удаления первого столбца
следующие шаги, сделанные для предварительной обработки
Шаг 1: предупреждение об удалении столбца.
Шаг 2: Этот шаг ясно понятен по приведенной ниже привязке.
Шаг 3: здесь мы сравниваем совместимость ядра.
шаг 4: переименование столбцов
шаг 5:
2) Разделение данных на обучающие выборки и тестовые выборки:
Разделение набора данных на 80% обучения и 20% тестирования.
) Используя методы классификации и определяя точность нашей модели:
- Дерево решений:
2. Логистическая регрессия:
3. Нейронные сети:
4. Персептрон:
4) Анализ различных показателей классификации, таких как точность, полнота, достоверность и т. д.:
Мы уже проанализировали все эти метрики классификации для всех вышеперечисленных методов классификации.
5) Анализ и выбор лучшей модели из этих алгоритмов классификации:
Теперь нам нужно сравнить точность прогнозирования между всеми этими моделями, чтобы узнать, какой из этих методов классификации является наиболее точным для этого набора данных:
- Дерево решений: 0,59
- Логистическая регрессия: 0,56
- Нейронные сети: 0,50
- Персептрон: 0,51
Это показывает нам, что для данного конкретного набора данных дерево решений является наиболее точным методом классификации.
Вывод:
Итак, из этого поста мы узнали о методах классификации машинного обучения и поиске метода, который лучше всего подходит для данного набора данных благодаря точности каждого метода.
Спасибо
Ю. Пратик Редди
