139 lines
3.9 KiB
Plaintext
139 lines
3.9 KiB
Plaintext
{
|
||
"cells": [
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {
|
||
"slideshow": {
|
||
"slide_type": "-"
|
||
}
|
||
},
|
||
"source": [
|
||
"## Uczenie maszynowe – zastosowania\n",
|
||
"### Zajęcia laboratoryjne\n",
|
||
"# 4. 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": [
|
||
{
|
||
"name": "stdout",
|
||
"output_type": "stream",
|
||
"text": [
|
||
"[[289411.43360715]\n",
|
||
" [285930.72623304]\n",
|
||
" [229893.92602325]\n",
|
||
" [823267.1750005 ]\n",
|
||
" [821038.18583152]\n",
|
||
" [356875.19267371]\n",
|
||
" [409340.86981766]\n",
|
||
" [278401.700237 ]\n",
|
||
" [301680.27997255]\n",
|
||
" [281051.71865054]]\n"
|
||
]
|
||
}
|
||
],
|
||
"source": [
|
||
"import numpy as np\n",
|
||
"import pandas as pd\n",
|
||
"\n",
|
||
"from sklearn.linear_model import LinearRegression # 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(np.nan_to_num) # Zamienia \"NaN\" na liczby\n",
|
||
" return data\n",
|
||
"\n",
|
||
"# Nazwy plików\n",
|
||
"dataset_filename = 'flats.tsv'\n",
|
||
"\n",
|
||
"# Wczytanie danych\n",
|
||
"data = pd.read_csv(dataset_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",
|
||
"\n",
|
||
"# Podział danych na zbiory uczący i testowy\n",
|
||
"split_point = int(0.8 * len(data))\n",
|
||
"data_train = data[:split_point]\n",
|
||
"data_test = data[split_point:]\n",
|
||
"\n",
|
||
"# Uczenie modelu\n",
|
||
"y_train = pd.DataFrame(data_train['cena'])\n",
|
||
"x_train = pd.DataFrame(data_train[FEATURES])\n",
|
||
"model = LinearRegression() # definicja modelu\n",
|
||
"model.fit(x_train, y_train) # dopasowanie modelu\n",
|
||
"\n",
|
||
"# Predykcja wyników dla danych testowych\n",
|
||
"y_expected = pd.DataFrame(data_test['cena'])\n",
|
||
"x_test = pd.DataFrame(data_test[FEATURES])\n",
|
||
"y_predicted = model.predict(x_test) # predykcja wyników na podstawie modelu\n",
|
||
"\n",
|
||
"print(y_predicted[:10]) # Pierwsze 10 wyników"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"Biblioteka *scikit-learn* dostarcza również narzędzi do wstępnego przetwarzania danych, np. skalowania i normalizacji: https://scikit-learn.org/stable/modules/preprocessing.html"
|
||
]
|
||
}
|
||
],
|
||
"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
|
||
}
|