11-Mavzu. O’qituvchisiz (Unsupervised) o’qitish algoritmlari Reja: O’qituvchisiz o’qitish tushunchasi va uning usullari

macro avg - 0.90 0.90 0.88 60
weighted avg - 0.92 0.88 0.88 60
Accuracy: 0.8833333333333333.
KEYQ regressor sifatida. Bu quyidagicha amalga oshiriladi:
1. Kerakli Python paketlari import qilinadi:
import numpy as np
import pandas as pd
2. iris ma'lumotlar to'plami veb-havoladan quyidagicha yuklanadi:
3. path = https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data
4. Ma'lumotlar bazasiga ustun nomlari quyidagicha belgilanadi:
headernames = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'Class']
4. pandas dataframe da ma'lumotlar to'plami quyidagich o’qiladi:
data = pd.read_csv(url, names = headernames)
array = data.values
X = array[:,:2]
Y = array[:,2]
data.shape
output🙁150,
5. Keyin modelga mos kelish uchun sklearn-dan KNeighborsRegressor import qilinadi:
from sklearn.neighbors import KNeighborsRegressor
knnr = KNeighborsRegressor(n_neighbors = 10)
knnr.fit(X, y)
6. MSE quyidagicha topiladi:
print ("The MSE is:",format(np.power(y-knnr.predict(X),2).mean()))
7. Chiqish
The MSE is: 0.12226666666666669
KEYQ ning yutuqlari va kamchiliklari.
Yutuqlari:
• Bu tushunish va izohlash uchun juda oddiy algoritm;
• Bu chiziqli bo'lmagan ma'lumotlar uchun juda foydalidir, chunki bu algoritm ma'lumotlar haqida hech narsani taklif qilmaydi;
• Bu ko'p qirrali algoritm, chunki biz uni sinflash uchun ham, regressiya uchun ham ishlata olamiz;
• Bu nisbatan yuqori aniqlikka ega, ammo KEYQga qaraganda ancha yaxshi boshqariladigan o'quv modellari ham mavjud;
Kamchiliklari:
• Bu hisoblash uchun juda katta hajmli algoritm, chunki u barcha o'quv ma'lumotlaridan foydalanadi;
• Boshqariladigan boshqa o'quv algoritmlari bilan taqqoslaganda katta hajmdagi xotirani talab qiladi;
• N katta bo'lsa bashorat sekin amalga oshadi;
• Ma'lumotlar miqyosiga, shuningdek muhim bo'lmagan funksiyalarga juda sezgir.