120 практических задач
Шрифт:
```python
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# Загрузка данных
data = load_iris
X = data.data
y = data.target
# Разделение на обучающую и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# Обучение модели Random Forest
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)
#
y_pred = rf_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f'Точность модели Random Forest: {accuracy:.4f}')
```
2. Boosting: Gradient Boosting
Gradient Boosting строит серию деревьев, где каждая последующая модель пытается исправить ошибки предыдущих моделей.
```python
from sklearn.ensemble import GradientBoostingClassifier
# Обучение модели Gradient Boosting
gb_model = GradientBoostingClassifier(n_estimators=100, random_state=42)
gb_model.fit(X_train, y_train)
# Прогнозирование и оценка точности
y_pred = gb_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f'Точность модели Gradient Boosting: {accuracy:.4f}')
```
Ансамблевые методы в комбинации: Voting Classifier
Voting Classifier объединяет предсказания нескольких моделей и принимает решение на основе голосования.
```python
from sklearn.ensemble import VotingClassifier
# Создание ансамбля из нескольких моделей
voting_model = VotingClassifier(
estimators=[
('rf', rf_model),
('gb', gb_model)
],
voting='soft' # 'hard' для мажоритарного голосования
)
# Обучение ансамблевой модели
voting_model.fit(X_train, y_train)
# Прогнозирование и оценка точности
y_pred = voting_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f'Точность ансамблевой модели Voting Classifier: {accuracy:.4f}')
```
Пример с использованием Keras и TensorFlow
Подготовка данных
```python
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
# Загрузка данных MNIST
(X_train, y_train), (X_test, y_test) = mnist.load_data
X_train = X_train.reshape((X_train.shape[0], 28, 28, 1)).astype('float32') / 255
X_test = X_test.reshape((X_test.shape[0], 28, 28, 1)).astype('float32') / 255
# Преобразование меток в категориальный формат
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)
```
Построение моделей
```python
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
def create_model:
model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
MaxPooling2D((2, 2)),
Conv2D(64, (3, 3), activation='relu'),
MaxPooling2D((2, 2)),
Flatten,
Dense(64, activation='relu'),
Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
return model
#
models = [create_model for _ in range(3)]
for model in models:
model.fit(X_train, y_train, epochs=5, batch_size=64, validation_split=0.1)
```
Ансамблирование моделей
```python
import numpy as np
def ensemble_predict(models, X):
predictions = [model.predict(X) for model in models]
return np.mean(predictions, axis=0)
# Прогнозирование и оценка точности
y_pred = ensemble_predict(models, X_test)
y_pred_classes = np.argmax(y_pred, axis=1)
y_test_classes = np.argmax(y_test, axis=1)
accuracy = np.mean(y_pred_classes == y_test_classes)
print(f'Точность ансамблевой модели: {accuracy:.4f}')
```
Пояснение:
1. Bagging: Random Forest:
– Обучение множества решающих деревьев на различных подвыборках данных и объединение их предсказаний.
2. Boosting: Gradient Boosting:
– Построение серии моделей, каждая из которых исправляет ошибки предыдущей.
3. Voting Classifier:
– Объединение предсказаний нескольких моделей с использованием голосования.
4. Ансамбль с использованием Keras:
– Создание и обучение нескольких моделей нейронных сетей.
– Объединение их предсказаний путем усреднения.
Ансамблевые методы позволяют повысить точность предсказаний за счет комбинирования нескольких моделей, что снижает вероятность ошибки и повышает устойчивость модели к различным типам данных.
11. Классификация новостных статей с использованием RNN
– Задача: Категоризация текстов новостей.
Для классификации новостных статей с использованием рекуррентных нейронных сетей (RNN) используются модели, способные учитывать последовательный характер текстовой информации. В данном случае мы рассмотрим задачу категоризации текстов новостей, где каждая статья должна быть отнесена к определенной категории на основе её содержания.