সাইকিট লার্ন - পাইথন ব্যবহার করে মেশিন লার্নিং

এই ব্লগে আমরা অজগরে সাইকিত শিখতে আলোচনা করব। সাইকিত শিখার কথা বলার আগে মেশিন লার্নিংয়ের ধারণাটি বুঝতে হবেএবং অবশ্যই ব্যবহার করতে হবে তা অবশ্যই জানতে হবে । মেশিন লার্নিংয়ের সাথে আপনাকে নিজের অন্তর্দৃষ্টি ম্যানুয়ালি সংগ্রহ করতে হবে না। আপনার কেবল একটি অ্যালগরিদম প্রয়োজন এবং যন্ত্রটি আপনার জন্য বাকিটি করবে! এটি কি উত্তেজনাপূর্ণ নয়? সাইকিট লার্ন অন্যতম আকর্ষণ যেখানে আমরা পাইথন ব্যবহার করে মেশিন লার্নিং বাস্তবায়ন করতে পারি। এটাএকটি নিখরচায় মেশিন লার্নিং লাইব্রেরি যা তথ্য বিশ্লেষণ এবং খনির উদ্দেশ্যে সহজ এবং দক্ষ সরঞ্জাম ধারণ করে।আমি আপনাকে নিম্নলিখিত বিষয়গুলির মধ্যে নিয়ে যাব যা আগত ব্লগগুলির জন্য মৌলিক হিসাবে কাজ করবে:

• • মেশিন লার্নিং কি ?
  • সাইকিট এর ওভারভিউ
  • স্থাপন
  • ব্যবহারের ক্ষেত্রে -পণ্য সরবরাহ সংশ্লেষণ

মেশিন লার্নিং কি?

মেশিন লার্নিং হ'ল একধরনের কৃত্রিম বুদ্ধি যা সফটওয়্যার অ্যাপ্লিকেশনগুলিকে ডেটা থেকে শিখতে দেয় এবং মানুষের হস্তক্ষেপ ছাড়াই ফলাফলের পূর্বাভাস দেওয়ার ক্ষেত্রে আরও নির্ভুল হয়ে ওঠে। কিন্তু কীভাবে তা ঘটে? তার জন্য, মেশিনটিকে কিছু উপাত্তে প্রশিক্ষণ দেওয়া দরকার এবং তার ভিত্তিতে, এটি একটি মডেল তৈরি করার জন্য একটি প্যাটার্ন সনাক্ত করবে।ডেটা থেকে জ্ঞান অর্জন এবং শক্তিশালী অন্তর্দৃষ্টি সরবরাহের এই প্রক্রিয়াটি মেশিন লার্নিং সম্পর্কে। এর কাজ সম্পর্কে আরও ভাল ধারণা পেতে নীচের চিত্রটি দেখুন:

শেফ এবং জবাবদিহি মধ্যে পার্থক্য

ডেটা ব্যবহার করে, সিস্টেমটি একটি অ্যালগরিদম শিখে এবং তারপরে ভবিষ্যদ্বাণীমূলক মডেলটি তৈরি করতে এটি ব্যবহার করে। পরে, আমরা মডেলটি সামঞ্জস্য করি বা প্রতিক্রিয়া ডেটা ব্যবহার করে আমরা মডেলের যথার্থতা বাড়িয়ে তুলি। এই প্রতিক্রিয়া ডেটা ব্যবহার করে, আমরা মডেলটি টিউন করি এবং নতুন ডেটা সেটটিতে কর্মের পূর্বাভাস দিই। আমরা করবআলোচনা করা a ব্যবহারের ক্ষেত্রে অ্যালগরিদম পদ্ধতির একটি যেখানে আমরা ডেটা প্রশিক্ষণ এবং পরীক্ষা করব যা এটি আপনার নির্দিষ্ট সমস্যার জন্য উপযুক্ত কিনা তা আরও ভাল ধারণা দিতে সহায়তা করবে।

এর পরে, তিন ধরণের মেশিন লার্নিং রয়েছে:

• • তত্ত্বাবধানে পড়াশোনা : এটি প্রশিক্ষণ ডেটাসেট থেকে অ্যালগরিদম শেখার প্রক্রিয়া। তদারকি শেখা হয় যেখানে আপনি ইনপুট ভেরিয়েবল (এক্স) এবং একটি আউটপুট ভেরিয়েবল (ওয়াই) এর মধ্যে একটি ম্যাপিং ফাংশন তৈরি করেন এবং আপনি তাদের মধ্যে একটি ফাংশন উত্পন্ন করতে একটি অ্যালগরিদম ব্যবহার করেন। এটি ভবিষ্যদ্বাণীপূর্ণ মডেলিং হিসাবে পরিচিত যা ডেটা ব্যবহার করে ভবিষ্যদ্বাণী করার প্রক্রিয়াটিকে বোঝায়। কিছু অ্যালগরিদমের মধ্যে লিনিয়ার রিগ্রেশন, লজিস্টিক রিগ্রেশন, ডিসিশন ট্রি, এলোমেলো বন এবং নাইভ বেয়েস শ্রেণিবদ্ধ রয়েছে। আমরা তদারকি করা শেখার ব্যবহারের ক্ষেত্রে আরও আলোচনা করব যেখানে আমরা মেশিনটি ব্যবহার করে প্রশিক্ষণ দিই পণ্য সরবরাহ সংশ্লেষণ ।
    
  • নিরীক্ষণশিক্ষা : এটি এমন একটি প্রক্রিয়া যেখানে কোনও মডেল এমন কোনও তথ্য ব্যবহার করে প্রশিক্ষণ দেওয়া হয় যা লেবেলযুক্ত নয়। এই প্রক্রিয়াটি তাদের পরিসংখ্যানগত বৈশিষ্ট্যের ভিত্তিতে ক্লাসে ইনপুট ডেটা ক্লাস্টার করতে ব্যবহার করা যেতে পারে। অপ্রচলিত শিক্ষাকে সি হিসাবেও ডাকা হয়আলোকসজ্জা বিশ্লেষণ যার অর্থ অবজেক্টগুলি বা তাদের সম্পর্কের বর্ণনা দেওয়ার উপাত্তগুলিতে প্রাপ্ত তথ্যের ভিত্তিতে অবজেক্টগুলির গোষ্ঠীকরণ। লক্ষ্যটি হ'ল এক গোষ্ঠীর অবজেক্টগুলি একে অপরের সাথে সমান হওয়া উচিত তবে অন্য দলের গ্রুপের থেকে পৃথক হওয়া উচিত। কিছু অ্যালগরিদমের মধ্যে রয়েছে কে-মানে ক্লাস্টারিং, হায়ারার্কিকাল ক্লাস্টারিং ইত্যাদি includes
  • শক্তিবৃদ্ধি শেখা: শক্তিশালীকরণ শেখা একটি স্থান বা পরিবেশের সাথে যোগাযোগের মাধ্যমে শিখছে।কোনও আরএল এজেন্ট তার কর্মের পরিণতিগুলি থেকে স্পষ্টভাবে শেখানো থেকে শিখেছে। এটি তার অতীতের অভিজ্ঞতার ভিত্তিতে (শোষণ) এবং নতুন পছন্দগুলি (অনুসন্ধান) দ্বারা ক্রিয়াগুলি নির্বাচন করে।

সাইকিট শিখুনের ওভারভিউ

সাইকিট শিখাই একটি পাঠাগার যা পাইথনে মেশিন লার্নিং সম্পাদন করতে ব্যবহৃত হয়। সাইকিত শিখাই একটি ওপেন সোর্স লাইব্রেরি যা বিএসডি এর অধীনে লাইসেন্সযুক্ত এবং একাডেমিক এবং বাণিজ্যিক ব্যবহারকে উত্সাহিত করে বিভিন্ন প্রসঙ্গে পুনরায় ব্যবহারযোগ্য। এটি পাইথনের একাধিক তদারকি ও নিরীক্ষণযোগ্য শেখার অ্যালগরিদম সরবরাহ করে।সাইকিট লার্নে জনপ্রিয় অ্যালগরিদম এবং গ্রন্থাগার রয়েছে। তা ছাড়া এটিতে নিম্নলিখিত প্যাকেজগুলি রয়েছে:

• NumPy
• ম্যাটপ্ল্লোব
• SciPy (বৈজ্ঞানিক পাইথন)

সাইকিট শিখতে বাস্তবায়নের জন্য আমাদের প্রথমে উপরের প্যাকেজগুলি আমদানি করতে হবে। আপনি যদি এই লাইব্রেরিগুলির সাথে পরিচিত না হন তবে আমার আগের ব্লগগুলি একবার দেখে নিতে পারেন এবং । আপনি কমান্ড লাইন ব্যবহার করে বা আপনি যদি পি ব্যবহার করছেন তবে এই দুটি প্যাকেজ ডাউনলোড করতে পারেনওয়াইমোহনীয়, আপনি অন্য প্যাকেজগুলির জন্য যেমন করেন তেমনভাবে আপনার সেটিংয়ে গিয়ে সরাসরি এটি ইনস্টল করতে পারেন।

পরবর্তী, একই পদ্ধতিতে, আপনি Sklearn আমদানি করতে হবে।সাইকিট লার্নি সাইকপাই (সায়েন্টিফিক পাইথন) এর উপরে নির্মিত যা আপনার স্কাইকিট-লার্ন ব্যবহার করার আগে ইনস্টল করা আবশ্যক। আপনি এটি উল্লেখ করতে পারেন ওয়েবসাইট একই ডাউনলোড করতে। এছাড়াও, স্কিপি এবং হুইল প্যাকেজটি উপস্থিত না থাকলে ইনস্টল করুন, আপনি নীচের কমান্ডটি টাইপ করতে পারেন:

পাইপ ইনস্টল স্কিপি

আমি ইতিমধ্যে এটি ডাউনলোড এবং ইনস্টল করেছি, আপনি কোনও বিভ্রান্তির জন্য নীচের স্ক্রিনশটটি উল্লেখ করতে পারেন।

উপরের লাইব্রেরিগুলি আমদানির পরে, আরও গভীর খনন করা যাক এবং কীভাবে সাইকিত শিখবেন তা কীভাবে ব্যবহৃত হয় তা বুঝতে পারি।

সাইকিট শিখতে নমুনা ডেটাসেটের সাথে আসে আইরিস এবং সংখ্যা । আপনি ডেটাসেটগুলি আমদানি করতে পারেন এবং এগুলির সাথে চারপাশে খেলতে পারেন। এর পরে, আপনাকে এসভিএম আমদানি করতে হবে যা সাপোর্ট ভেক্টর মেশিনকে বোঝায়। এসভিএম হ'ল মেশিন লার্নিংয়ের একটি ফর্ম যা ডেটা বিশ্লেষণ করতে ব্যবহৃত হয়।

আসুন আমরা উদাহরণ নেব যেখানে আমরা নেব সংখ্যা ডেটাসেট এবং এটি আমাদের জন্য নম্বরগুলি শ্রেণীবদ্ধ করবে, উদাহরণস্বরূপ- 0 1 2 3 4 5 6 7 8 9. নীচের কোডটি দেখুন:

স্কলারন আমদানি এসএমএম ডিজিটস = ডেটাসেট.লোড_ডিজিটস () প্রিন্ট (ডিজিটস.ডেটা) থেকে স্কলারন আমদানি ডেটাসেটগুলি থেকে প্ল্যাট হিসাবে matplotlib.pyplot আমদানি করুন

আউটপুট -

[[০.০. 5. ..., ০.০. 0.] [0. ০.০ ..., ১০.০.০] [০.০.০ ... ..., ১ 16। 9. 0.] ..., [0. 0. 1. ..., 6. 0. 0.] [0. 0. 2. ..., 12. 0. 0.] [0. 0। 10. ..., 12. 1. 0.]]

এখানে আমরা সবেমাত্র গ্রন্থাগার, এসভিএম, ডেটাসেটগুলি আমদানি করেছি এবং ডেটা মুদ্রিত করেছি। এটি হ'ল অঙ্কের ডেটার একটি দীর্ঘ অ্যারে যেখানে ডেটা সংরক্ষণ করা হয়। এটি এমন বৈশিষ্ট্যগুলিতে অ্যাক্সেস দেয় যা এর শ্রেণিবদ্ধ করতে ব্যবহার করা যেতে পারে সংখ্যা নমুনা। এর পরে, আপনি লক্ষ্য, চিত্র ইত্যাদির মতো আরও কিছু অপারেশনও চেষ্টা করতে পারেন নীচের উদাহরণটি বিবেচনা করুন:

স্কলারন আমদানি এসএমএম ডিজিট = ডেটাসেট.লোড_ডিজিটস () প্রিন্ট (ডিজিটস.টারাজেট) প্রিন্ট (Digits.images [0]) থেকে প্লেন হিসাবে প্ল্যাট হিসাবে matplotlib.pyplot আমদানি করুন

আউটপুট -

জাভাস্ক্রিপ্ট পদ্ধতি কি

[0 1 2 ..., 8 9 8] // ডেটার লক্ষ্য [[0. 0. 5. 13. 9. 1. 0. 0.] // উপাত্তের চিত্র [0. 0. 13। 15. 10. 15. 5. 0.] [0. 3. 15. 2. 0. 11. 8. 0.] [0. 4. 12. 0. 0. 8. 8. 0.] [0। 5. 8. 0. 0. 9. 8. 0.] [0. 4. 11. 0. 1. 12. 7. 0.] [0. 2. 14. 5. 10. 12. 0. 0। ] [0. 0. 6. 13. 10. 0. 0. 0.]]

আপনি উপরে দেখতে পারেন যে লক্ষ্য সংখ্যা এবং অঙ্কগুলির চিত্র মুদ্রিত হয়। Digits.target জন্য জমি সত্য দেয় অঙ্ক ডাটাসেট, এটি প্রতিটি অঙ্কের চিত্রের সাথে সম্পর্কিত নম্বর। এরপরে, ডেটা সর্বদা একটি 2D অ্যারে থাকে যার একটি আকার থাকে (n_sample, n_features), যদিও মূল উপাত্তটির আলাদা আকার থাকতে পারে। তবে অঙ্কগুলির ক্ষেত্রে, প্রতিটি আসল নমুনা আকারের চিত্র (8,8) এবং এটি ব্যবহার করে অ্যাক্সেস করা যায় সংখ্যা । চিত্র

শিক্ষা এবং ভবিষ্যদ্বাণী

এর পরে, সাইকিত শিখতে আমরা একটি ডেটাসেট ব্যবহার করেছি (10 টি সম্ভাব্য ক্লাসের নমুনা, শূন্য থেকে নয় নম্বর পর্যন্ত) এবং যখন কোনও চিত্র দেওয়া হয় তখন আমাদের অঙ্কগুলি পূর্বাভাস করতে হবে। বর্গ পূর্বাভাস, আমাদের একটি প্রয়োজন অনুমানকারী যা অদেখা নমুনাগুলির সাথে ক্লাসগুলির পূর্বাভাস দিতে সহায়তা করে। সাইকিট শিখতে, আমাদের কাছে শ্রেণিবিন্যাসের জন্য একটি অনুমানক রয়েছে যা পদ্ধতিগুলি প্রয়োগ করে একটি অজগর অবজেক্ট ফিট (x, y) এবং পূর্বাভাস (টি) আসুন নীচের উদাহরণটি বিবেচনা করুন:

স্কলারন আমদানি এসএমএম ডিজিট = ডেটাসেট.লোড_ডিজিটস () // ডাটাসেট সিএলএফ = এসএমএম.এসভিসি (গামা = 0.001, সি = 100) প্রিন্ট (লেন (ডিজিটস.ডাটা)) এক্স, ওয়াই থেকে স্কেলনার আমদানি ডেটাসেটগুলি থেকে প্ল্যাট হিসাবে matplotlib.pyplot আমদানি করুন = Digits.data [: - 1], Digits.target [: - 1] // ডেটা প্রশিক্ষণ করুন সিএলএফ.ফিট (এক্স, ওয়াই) মুদ্রণ ('পূর্বাভাস:', সিএলএফ.প্রডিক্ট (ডিজিটস.ডাটা [-1]) ) // ডেটা plt.imshow পূর্বাভাস (Digits.images [-1], cmap = plt.cm.gray_r, অন্তরঙ্গ = 'নিকটতম') plt.show ()

আউটপুট -

1796
ভবিষ্যদ্বাণী: [8]

উপরের উদাহরণে, আমরা প্রথম দৈর্ঘ্যটি এবং 1796 টি বোঝা উদাহরণ পেয়েছি। এর পরে, আমরা এই ডেটাটিকে একটি শেখার ডেটা হিসাবে ব্যবহার করেছি, যেখানে আমাদের শেষ উপাদান এবং প্রথম নেতিবাচক উপাদান পরীক্ষা করতে হবে। এছাড়াও, আমাদের পরীক্ষা করতে হবে যে মেশিনটি সঠিক ডেটা পূর্বাভাস দিয়েছে কিনা। তার জন্য, আমরা ম্যাটপ্লটলিব ব্যবহার করেছি যেখানে আমরা অঙ্কগুলির চিত্র প্রদর্শিত হয়েছিল।সুতরাং উপসংহারে বলতে গেলে, আপনার কাছে ডিজিটের ডেটা রয়েছে, আপনি লক্ষ্য পেয়েছেন, আপনি এটি ফিট এবং ভবিষ্যদ্বাণী করেছেন এবং তাই আপনি যেতে ভাল! এটি সত্যিই দ্রুত এবং সহজ, তাই না?

আপনি কোনও চিত্র সহ লক্ষ্যযুক্ত লেবেলগুলি কল্পনা করতে পারেন, কেবল নীচের কোডটি দেখুন:

স্কলারন আমদানি থেকে এসএমএম ডিজিট = ডেটাসেট.লোড_ডিজিটস () # তালিকাতে ইমেজ এবং টার্গেট লেবেলগুলিতে যোগদান করুন _____লবেলস = তালিকায় (জিপ (Digits.images, Digits.target)) # প্রতিটি উপাদানের জন্য # স্কেলনার আমদানি ডেটাसेट থেকে প্ল্যাট হিসাবে matplotlib.pyplot আমদানি করুন সূচকের জন্য তালিকায়, (চিত্র, লেবেল) গণিতে (চিত্রগুলি_আর_প্রেমগুলি [: 8]): # 2 + 4 এর সাবপ্লটটি আই + 1-th অবস্থান plt.subplot (2, 4, সূচক + 1) এ সূচনা করুন # চিত্রগুলি প্রদর্শন করুন সমস্ত উপ-প্লট plt.imshow (চিত্র, cmap = plt.cm.gray_r, অন্তরঙ্গ = 'নিকটতম') # প্রতিটি উপ-প্লট plt.title ('প্রশিক্ষণ:' + str (লেবেল)) এ একটি শিরোনাম যুক্ত করুন # প্লট প্লট দেখান। প্রদর্শন ()

আউটপুট-

উপরের কোডটিতে আপনি দেখতে পাচ্ছেন, আমরা ইমেজ এবং টার্গেট লেবেলগুলিকে একটি তালিকার সাথে যুক্ত করতে এবং তারপরে এটি একটি ভেরিয়েবলে সংরক্ষণ করতে, 'জিপ' ফাংশনটি ব্যবহার করেছি, বলুন চিত্র_আর_লাবেলস। এর পরে, আমরা প্রতিটি অবস্থানের উপর 2 দ্বারা 4 এর গ্রিডে প্রথম আটটি উপাদানকে সূচকযুক্ত করেছি। এর পরে, আমরা ম্যাটপ্ল্লোলিবের সাহায্যে চিত্রগুলি কেবল প্রদর্শিত করেছি এবং শিরোনামটিকে 'প্রশিক্ষণ' হিসাবে যুক্ত করেছি।

ব্যবহারের ক্ষেত্রে - লজিস্টিক রিগ্রেশন ব্যবহার করে ভবিষ্যদ্বাণী

সমস্যা বিবৃতি - একটি গাড়ি সংস্থা বাজারে একটি নতুন এসইভি প্রকাশ করেছে। তাদের এসইউভির বিক্রয় সম্পর্কিত পূর্ববর্তী ডেটা ব্যবহার করে, তারা এই বিভাগে আগ্রহী এমন ব্যক্তির বিভাগটি পূর্বাভাস দিতে চান।

এর জন্য, আসুন আমার কাছে একটি ডেটাসেট দেখা যাক ইউজারআইডি, লিঙ্গ, বয়স, আনুমানিক বেতন এবং কেনা কলাম হিসাবে। এটি কেবলমাত্র একটি নমুনা ডেটাसेट, আপনি এটি থেকে পুরো ডেটাসেটটি ডাউনলোড করতে পারেন এখানে । একবার আমরা পাইকার্মে ডেটা আমদানি করলে কিছুটা এরকম দেখতে লাগে।

এখন আমাদের এই ডেটা বুঝতে। আপনি উপরের ডেটাসেটে দেখতে পাচ্ছেন, আমাদের আইডি, লিঙ্গ, বয়স ইত্যাদির মতো বিভাগ রয়েছে এখন এই বিভাগগুলির উপর ভিত্তি করে, আমরা আমাদের মেশিনকে প্রশিক্ষণ দিয়ে যাচ্ছি এবং এর পূর্বাভাস দিতে পারি না। ক্রয়ের। সুতরাং এখানে, আমরা আছে স্বাধীন চলক ‘বয়স’, ‘প্রত্যাশিত বেতন’ এবং হিসাবে নির্ভরশীল পরিবর্তনশীল হিসাবে 'ক্রয়'। এখন আমরা তত্ত্বাবধানে পড়াশোনা প্রয়োগ করব, অর্থাৎ লজিস্টিক রিগ্রেশন অ্যালগরিদম বিদ্যমান ডেটা ব্যবহার করে ক্রয়ের সংখ্যা জানতে।

প্রথমে আসুন, লজিস্টিক রিগ্রেশনটির একটি ওভারভিউ পাই।

পণ্য সরবরাহ সংশ্লেষণ - লজিস্টিক রিগ্রেশন একটি বাইনারি বিন্যাসে ফলাফল উত্পাদন করে যা একটি শ্রেণিবদ্ধ নির্ভরশীল ভেরিয়েবলের ফলাফল পূর্বাভাস দেওয়ার জন্য ব্যবহৃত হয়। নির্ভরশীল ভেরিয়েবলটি বাইনারি হওয়ার সময় এটি সর্বাধিক ব্যবহৃত হয়, যেমন উপলব্ধ বিভাগগুলির সংখ্যা দুটি যেমন লজিস্টিক রিগ্রেশন এর স্বাভাবিক ফলাফল -

• হ্যা এবং না
• সত্য এবং মিথ্যা
• উচু এবং নিচু
• পাস এবং ব্যর্থ

কোডটি দিয়ে শুরু করতে, আমরা প্রথমে এই লাইব্রেরিগুলি আম্পাত করব - নম্পি, ম্যাটপ্ল্লোলিব এবং পান্ডাস। নীচের পদক্ষেপগুলি অনুসরণ করে পাইচার্মে পান্ডাস আমদানি করা বেশ সহজ:

সেটিংস -> প্যাকেজ যুক্ত করুন -> পান্ডাস -> ইনস্টল করুন

এর পরে, আমরা ডেটাসেট এবং পৃথক নির্ভরশীল ভেরিয়েবল (কেনা) এবং স্বতন্ত্র ভেরিয়েবল (বয়স, বেতন) এর মাধ্যমে আমদানি করব:

ডেটাসেট = পিডি.ড্রেড_সিএসভি ('সোস্যাল_ নেটওয়ার্ক_এডএসসিএসভি') এক্স = ডাটাসেট.ইলোক [:, [2, 3]]। মানগুলি y = ডেটাসেট.ইলোক [:, 4]। মূল্যগুলি মুদ্রণ (এক্স)

পরবর্তী পদক্ষেপটি প্রশিক্ষণ এবং ডেটা পরীক্ষা করা হবে। একটি সাধারণ কৌশল হ'ল সমস্ত লেবেলযুক্ত ডেটা নেওয়া এবং প্রশিক্ষণ এবং পরীক্ষার সাবসেটগুলিতে বিভক্ত হওয়া, যা সাধারণত প্রশিক্ষণের সাবসেটের জন্য 70-80% এবং পরীক্ষার সাবসেটের জন্য 20-30% অনুপাতের সাথে নেওয়া হয়। অতএব, আমরা ক্রস_এল্টিফিকেশন ব্যবহার করে প্রশিক্ষণ এবং পরীক্ষার সেট তৈরি করেছি।

স্ক্লেয়ার.ক্রস_অ্যাডিয়েশন আমদানি ট্রেন_েস্ট_স্প্লিট এক্স_ট্রেইন, এক্স_স্টেট, ওয়াই ট্রেন, ওয়াইস্টেস্ট = ট্রেন_টেষ্ট_স্প্লিট (এক্স, ওয়াই, টেস্ট_সাইজ = 0.25, র্যান্ডম_স্টেট = 0)

নীচে প্রদর্শিত হিসাবে স্ট্যান্ডারস্কেলার ব্যবহার করে আরও ভাল পারফরম্যান্সের জন্য আমরা ইনপুট মানগুলি স্কেল করতে পারি:

sklearn.preprocessing আমদানি থেকে স্ট্যান্ডার্ডস্কেলার sc = স্ট্যান্ডার্ডস্কেলার () এক্স_ট্রেইন = sc.fit_transfor (এক্স_ট্রেইন) এক্স_স্টেট = sc.transfor (এক্স_স্টেট)

এখন আমরা আমাদের লজিস্টিক রিগ্রেশন মডেল তৈরি করব।

sklearn.linear_model আমদানি লজিস্টিক রিগ্রেশন শ্রেণিবদ্ধ = লজিস্টিক রিগ্রেশন (এলোমেলো_স্টেট = 0) শ্রেণিবদ্ধ.ফিট (এক্স_ট্রেইন, y_train)

আমরা এটি ব্যবহার করতে পারি এবং আমাদের পরীক্ষার সেটটির ফলাফল পূর্বাভাস দিতে পারি।

y_pred = classifier.predict (এক্স_স্টেস্ট)

এখন, আমরা পরীক্ষা করতে পারি যে কতগুলি ভবিষ্যদ্বাণী সঠিক ছিল এবং কতগুলি ব্যবহার করছিল না কনফিউশন ম্যাট্রিক্স । আসুন আমরা Y কে ধনাত্মক দৃষ্টান্ত হিসাবে এবং N কে নেতিবাচক উদাহরণ হিসাবে সংজ্ঞায়িত করি। চারটি ফলাফল 2 * 2 বিভ্রান্তির ম্যাট্রিক্সে তৈরি করা হয়েছে, যেমন নীচে উপস্থাপন করা হয়েছে:

sklearn.metrics থেকে আমদানি বিভ্রান্তি_ম্যাট্রিক্স সেমি = বিভ্রান্তি_ম্যাট্রিক্স (y_test, y_pred) মুদ্রণ (সেমি)

আউটপুট-

[[3৫ 3] [8 24]]

এর পরে, আমাদের বিভ্রান্তির ম্যাট্রিক্সের ভিত্তিতে, আমরা নির্ভুলতা গণনা করতে পারি। সুতরাং আমাদের উপরের উদাহরণে নির্ভুলতাটি হ'ল:

= টিপি + টিএন / এফএন + এফপি

= 65 + 24/65 +3+ 8 + 24

= 89%

আমরা নিজেই এটি করেছি! এখন আসুন দেখি যে মেশিনটি কীভাবে আমাদের জন্য একই গণনা করে, তার জন্য আমাদের একটি ইনবিল্ট ফাংশন রয়েছে ‘নির্ভুলতা_স্কোর’ যা নির্ভুলতার গণনা করে এবং নীচে দেখানো হিসাবে এটি মুদ্রণ করে:

sklearn.metrics থেকে আমদানি নির্ভুলতা_স্কোর // ফাংশন নির্ভুলতা_স্কোর মুদ্রণ আমদানি করুন (নির্ভুলতা_স্কোর (y_est, y_pred) * 100) // নির্ভুলতা মুদ্রণ করে

আউটপুট -

89.0

হুররে! আমরা এভাবে 89% এর যথার্থতার সাথে সাইকিট শিখতে ব্যবহার করে লজিস্টিক রিগ্রেশন সফলভাবে প্রয়োগ করেছি।

এখানে ক্লিক করুন উপরোক্ত পূর্বাভাসের সম্পূর্ণ সম্পূর্ণ উত্স পেতে পাইথন সাইকিট শিখুন লাইব্রেরি ব্যবহার করে।

শ্রেণি এবং ইন্টারফেসের মধ্যে পার্থক্য

এটির সাহায্যে আমরা পাইথনকে যে বহু জনপ্রিয় অ্যালগরিদম অফারটি দিয়েছি তার মধ্যে একটি মাত্র coveredেকে রেখেছি।আমরা সাইকিতের সমস্ত বুনিয়াদি গ্রন্থাগার শিখি,যাতে আপনি এখন অনুশীলন শুরু করতে পারেন। আপনি যত বেশি অনুশীলন করবেন আপনি তত বেশি শিখবেন। অজগর টিউটোরিয়াল ব্লগের জন্য থাকুন!

আমাদের জন্য একটি প্রশ্ন আছে? দয়া করে এই 'সাইকিট শিখুন' ব্লগের মন্তব্য বিভাগে উল্লেখ করুন এবং আমরা যত তাড়াতাড়ি সম্ভব আপনার কাছে ফিরে আসব। পাইথনের বিভিন্ন অ্যাপ্লিকেশন সহ গভীরতার জ্ঞান অর্জন করতে, আপনি এটি করতে পারেন 24/7 সমর্থন এবং আজীবন অ্যাক্সেস সহ লাইভ অনলাইন প্রশিক্ষণের জন্য।