Makine Öğrenmesi
Meydan okuma 1
scikit-learn ile sınıflandırma yaparsın.
Meydan okuma 1: tam hat
Orta seviyenin araçlarını birleştiren ilk meydan okuma: rakam verisinde ölçekleme + PCA + SVM hattı kurup üç hiperparametreyi birlikte aramak. Izgara hem ön işleme hem model ayarlarını içerir:
pipe = make_pipeline(StandardScaler(), PCA(), SVC())
izgara = {"pca__n_components": [20, 40],
"svc__C": [1, 10],
"svc__gamma": ["scale", 0.01]}
gs = GridSearchCV(pipe, izgara, cv=5, n_jobs=-1).fit(X_train, y_train)
2 × 2 × 2 = 8 kombinasyon, 5 katla 40 eğitim; test kümesi yalnızca en sonda kullanılır.
Uygulama Hattı ara
Yukarıdaki ızgarayla GridSearchCV(make_pipeline(StandardScaler(), PCA(), SVC()), izgara, cv=5) çalıştır. best_params_'ı ve test doğruluğunu round(..., 3) ile alt alta yazdır.
Örnek çözümü göster
import numpy as np
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0, stratify=y)
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV
izgara = {"pca__n_components": [20, 40], "svc__C": [1, 10], "svc__gamma": ["scale", 0.01]}
gs = GridSearchCV(make_pipeline(StandardScaler(), PCA(), SVC()), izgara, cv=5).fit(X_train, y_train)
print(gs.best_params_)
print(round(gs.score(X_test, y_test), 3))
Uygulama Hata analizi
En iyi modelin test tahminleriyle karmaşıklık matrisini hesapla. Köşegeni sıfırlayıp (np.fill_diagonal(cm, 0)) en çok karıştırılan (gerçek, tahmin) çiftini np.unravel_index ile bulup tam sayı demeti olarak yazdır.
Örnek çözümü göster
import numpy as np
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0, stratify=y)
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.svm import SVC
from sklearn.metrics import confusion_matrix
model = make_pipeline(StandardScaler(), PCA(n_components=40), SVC(C=10, gamma=0.01)).fit(X_train, y_train)
cm = confusion_matrix(y_test, model.predict(X_test))
np.fill_diagonal(cm, 0)
print(tuple(int(v) for v in np.unravel_index(cm.argmax(), cm.shape)))
Kendini test et
-
Bu ızgaranın en iyi sonucu test kümesinde neden yine de biraz düşebilir?
- SVC rastgeledir
- Düşmez
- best_score_ seçim yüzünden iyimserdir
- PCA test verisini bozar
Cevabı göster
best_score_ seçim yüzünden iyimserdir — Birçok kombinasyonun en iyisini seçmek yukarı yanlılık üretir.
-
PCA bileşen sayısını ızgaraya ekle.
izgara = {"____": [20, 40], "svc__C": [1, 10]}
Cevabı göster
izgara = {"pca__n_components": [20, 40], "svc__C": [1, 10]}
-
Hat parçalarını eşleştir.
- StandardScaler
- Ölçekleme
- PCA
- Boyut indirgeme
- SVC
- Sınıflandırıcı
- GridSearchCV
- Ortak arama
Sıradaki ders: Meydan okuma 2
