119 lines
3.4 KiB
Plaintext
119 lines
3.4 KiB
Plaintext
|
{
|
|||
|
|
"cells": [
|
|||
|
|
{
|
|||
|
|
"cell_type": "markdown",
|
|||
|
|
"metadata": {
|
|||
|
|
"slideshow": {
|
|||
|
|
"slide_type": "-"
|
|||
|
|
}
|
|||
|
|
},
|
|||
|
|
"source": [
|
|||
|
|
"## Uczenie maszynowe 2019/2020 – laboratoria\n",
|
|||
|
|
"### 27/28 kwietnia 2020\n",
|
|||
|
|
"# 7. Korzystanie z gotowych implementacji algorytmów na przykładzie pakietu *scikit-learn*"
|
|||
|
|
]
|
|||
|
|
},
|
|||
|
|
{
|
|||
|
|
"cell_type": "markdown",
|
|||
|
|
"metadata": {},
|
|||
|
|
"source": [
|
|||
|
|
"[Scikit-learn](https://scikit-learn.org) jest otwartoźródłową biblioteką programistyczną dla języka Python wspomagającą uczenie maszynowe. Zawiera implementacje wielu algorytmów uczenia maszynowego."
|
|||
|
|
]
|
|||
|
|
},
|
|||
|
|
{
|
|||
|
|
"cell_type": "markdown",
|
|||
|
|
"metadata": {},
|
|||
|
|
"source": [
|
|||
|
|
"Poniżej przykład, jak stworzyć klasyfikator regresji liniowej wielu zmiennych z użyciem `scikit-learn`.\n",
|
|||
|
|
"\n",
|
|||
|
|
"Na podobnej zasadzie można korzystać z innych modeli dostępnych w bibliotece."
|
|||
|
|
]
|
|||
|
|
},
|
|||
|
|
{
|
|||
|
|
"cell_type": "code",
|
|||
|
|
"execution_count": 1,
|
|||
|
|
"metadata": {},
|
|||
|
|
"outputs": [],
|
|||
|
|
"source": [
|
|||
|
|
"#! /usr/bin/env python3\n",
|
|||
|
|
"# -*- coding: utf-8 -*-\n",
|
|||
|
|
"\n",
|
|||
|
|
"# Regresja liniowa wielu zmiennych\n",
|
|||
|
|
"\n",
|
|||
|
|
"import csv\n",
|
|||
|
|
"import numpy\n",
|
|||
|
|
"import pandas\n",
|
|||
|
|
"import sys\n",
|
|||
|
|
"\n",
|
|||
|
|
"from sklearn import linear_model # Model regresji liniowej z biblioteki scikit-learn\n",
|
|||
|
|
"\n",
|
|||
|
|
"\n",
|
|||
|
|
"FEATURES = [\n",
|
|||
|
|
" 'Powierzchnia w m2',\n",
|
|||
|
|
" 'Liczba pokoi',\n",
|
|||
|
|
" 'Liczba pięter w budynku',\n",
|
|||
|
|
" 'Piętro',\n",
|
|||
|
|
" 'Rok budowy',\n",
|
|||
|
|
"]\n",
|
|||
|
|
"\n",
|
|||
|
|
"\n",
|
|||
|
|
"def preprocess(data):\n",
|
|||
|
|
" \"\"\"Wstępne przetworzenie danych\"\"\"\n",
|
|||
|
|
" data = data.replace({'parter': 0, 'poddasze': 0}, regex=True)\n",
|
|||
|
|
" data = data.applymap(numpy.nan_to_num) # Zamienia \"NaN\" na liczby\n",
|
|||
|
|
" return data\n",
|
|||
|
|
"\n",
|
|||
|
|
"# Nazwy plików\n",
|
|||
|
|
"input_filename = 'flats-test.tsv'\n",
|
|||
|
|
"output_filename = 'flats-predicted.tsv'\n",
|
|||
|
|
"trainset_filename = 'flats-train.tsv'\n",
|
|||
|
|
"\n",
|
|||
|
|
"# Wczytanie danych uczących\n",
|
|||
|
|
"data = pandas.read_csv(trainset_filename, header=0, sep='\\t')\n",
|
|||
|
|
"columns = data.columns[1:] # wszystkie kolumny oprócz pierwszej (\"cena\")\n",
|
|||
|
|
"data = data[FEATURES + ['cena']] # wybór cech\n",
|
|||
|
|
"data = preprocess(data) # wstępne przetworzenie danych\n",
|
|||
|
|
"y = pandas.DataFrame(data['cena'])\n",
|
|||
|
|
"x = pandas.DataFrame(data[FEATURES])\n",
|
|||
|
|
"model = linear_model.LinearRegression() # definicja modelu\n",
|
|||
|
|
"model.fit(x, y) # dopasowanie modelu\n",
|
|||
|
|
"\n",
|
|||
|
|
"# Wczytanie danych testowych\n",
|
|||
|
|
"data = pandas.read_csv(input_filename, header=None, sep='\\t', names=columns)\n",
|
|||
|
|
"x = pandas.DataFrame(data[FEATURES]) # wybór cech\n",
|
|||
|
|
"x = preprocess(x) # wstępne przetworzenie danych\n",
|
|||
|
|
"y = model.predict(x) # przewidywania modelu\n",
|
|||
|
|
"\n",
|
|||
|
|
"# Zapis wyników do pliku\n",
|
|||
|
|
"pandas.DataFrame(y).to_csv(output_filename, index=None, header=None, sep='\\t')"
|
|||
|
|
]
|
|||
|
|
}
|
|||
|
|
],
|
|||
|
|
"metadata": {
|
|||
|
|
"celltoolbar": "Slideshow",
|
|||
|
|
"kernelspec": {
|
|||
|
|
"display_name": "Python 3",
|
|||
|
|
"language": "python",
|
|||
|
|
"name": "python3"
|
|||
|
|
},
|
|||
|
|
"language_info": {
|
|||
|
|
"codemirror_mode": {
|
|||
|
|
"name": "ipython",
|
|||
|
|
"version": 3
|
|||
|
|
},
|
|||
|
|
"file_extension": ".py",
|
|||
|
|
"mimetype": "text/x-python",
|
|||
|
|
"name": "python",
|
|||
|
|
"nbconvert_exporter": "python",
|
|||
|
|
"pygments_lexer": "ipython3",
|
|||
|
|
"version": "3.8.3"
|
|||
|
|
},
|
|||
|
|
"livereveal": {
|
|||
|
|
"start_slideshow_at": "selected",
|
|||
|
|
"theme": "amu"
|
|||
|
|
}
|
|||
|
|
},
|
|||
|
|
"nbformat": 4,
|
|||
|
|
"nbformat_minor": 4
|
|||
|
|
}
|