Многоклассовая классификация: примеры кода для работы с несколькими классами в машинном обучении

Многоклассовая классификация: примеры кода для работы с несколькими классами в машинном обучении

Многоклассовая классификация - это процесс определения класса объекта из множества возможных классов. В машинном обучении для решения таких задач часто используют алгоритмы, такие как логистическая регрессия, метод опорных векторов (SVM), случайный лес и нейронные сети.

Пример кода на Python для многоклассовой классификации с использованием библиотеки scikit-learn:

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# Загрузка набора данных и разделение на обучающую и тестовую выборки
iris = datasets.load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Масштабирование признаков
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

# Обучение модели случайного леса
classifier = RandomForestClassifier(n_estimators=100, random_state=42)
classifier.fit(X_train, y_train)

# Предсказание классов для тестовой выборки
y_pred = classifier.predict(X_test)

# Оценка точности модели
accuracy = accuracy_score(y_test, y_pred)
print(f'Точность модели: {accuracy}')

Этот пример демонстрирует использование набора данных Iris для многоклассовой классификации с помощью алгоритма случайного леса. Мы загружаем данные, разделяем их на обучающую и тестовую выборки, масштабируем признаки, обучаем модель и оцениваем ее точность.

Теперь вы знаете, как реализовать многоклассовую классификацию с помощью примера кода на Python!

Создана 14.11.2023