توضیحات
پیاده سازی الگوریتم یادگیری تجمیعی Random Forest برای طبقه بندی انواع قارچ با پایتون
پس از تقسیم دیتاست داده شده به صورت 70 به 30 (به ترتیب به عنوان داده های آموزش و داده های تست) با استفاده از یکی از کتابخانه های مربوط به یادگیری ماشین مانند sklearn در پایتون باید یک طبقه بند بر اساس درخت تصمیم بسازیم. از داده های آموزش برای ساخت مدل استفاده میکنیم. بعد از ساخت مدل کلاسیفایر، نتایج ارزیابی طبقه بند بر اساس Fscore، precision، recall بر روی داده های تست گزارش میشود.
– فراخوانی کتابخانه های مورد نیاز
در ابتدا کتابخانه هایی که در کدنویسی انجام شده، استفاده شده اند را فراخوانی می کنیم. که در پایین نشان داده شده است. انجام پروژه پایتون
# data processing
import pandas as pd
# ploting
import matplotlib.pyplot as plt
# For data ploting
import seaborn as se
# for randomforest model
from sklearn.ensemble import RandomForestClassifier
# for accuarcy
from sklearn.metrics import accuracy_score
# for model evaluation
from sklearn import metrics
2- وارد کردن دیتا
در این پروژه از دیتای آماده موجود در سایت UCI به نشانی: https://archive.ics.uci.edu/ml/datasets/mushroom استفاده کرده ایم. این دیتا مربوط به تقسیم بنده قارچ ها به دو نوع غذایی و سمی می باشد. در این دیتا 22 ویژگی داریم که مربوط به 22 پارامتری هستش که از قارچ های مختلف محاسبه گردیده است. برای وارد کردن دیتا از توابع panads به صورت زیر استفاده کرده ایم:
# read cv data with pd
data = pd.read_csv (“D:/programming/Mush_classification/mushrooms.csv”)
برای نشان دادن ویژگی های موجود دردیتاست، مانند نوع ویژگی ها، سایز نمونه ها، تعداد ویژگی و همچنین انواع حالت های مربوط به ویژگی از کد های زیر استفاده کردیم تا اطلاعات بیشتری از دیتاست به دست آوریم:
پیاده سازی الگوریتم یادگیری تجمیعی Random Forest برای طبقه بندی انواع قارچ با پایتون توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
- فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.