45 lines
1.8 KiB
ObjectPascal
45 lines
1.8 KiB
ObjectPascal
|
// В этом примере сравниваются две модели на нелинейной задаче классификации:
|
|||
|
|
// LogisticRegression и GradientBoostingClassifier.
|
|||
|
|
//
|
|||
|
|
// Логистическая регрессия строит линейную границу между классами.
|
|||
|
|
// Градиентный бустинг последовательно улучшает ансамбль деревьев
|
|||
|
|
// и хорошо справляется со сложной формой границы.
|
|||
|
|
|
|||
|
|
uses MLABC;
|
|||
|
|
|
|||
|
|
begin
|
|||
|
|
var (X, y) := Datasets.MakeMoons(
|
|||
|
|
n := 450,
|
|||
|
|
noise := 0.20,
|
|||
|
|
seed := 42
|
|||
|
|
);
|
|||
|
|
|
|||
|
|
var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(X, y, 0.25, seed := 42);
|
|||
|
|
|
|||
|
|
var logreg := new LogisticRegression(learningRate := 0.05, epochs := 1000);
|
|||
|
|
logreg.Fit(XTrain, yTrain);
|
|||
|
|
var logregPred := logreg.Predict(XTest);
|
|||
|
|
var logregAcc := ClassificationMetrics.Accuracy(yTest, logregPred);
|
|||
|
|
|
|||
|
|
var gb := new GradientBoostingClassifier(
|
|||
|
|
nEstimators := 120,
|
|||
|
|
learningRate := 0.1,
|
|||
|
|
maxDepth := 3,
|
|||
|
|
minSamplesSplit := 6,
|
|||
|
|
minSamplesLeaf := 3,
|
|||
|
|
seed := 42
|
|||
|
|
);
|
|||
|
|
gb.Fit(XTrain, yTrain);
|
|||
|
|
var gbPred := gb.Predict(XTest);
|
|||
|
|
var gbAcc := ClassificationMetrics.Accuracy(yTest, gbPred);
|
|||
|
|
|
|||
|
|
Println('Сравнение моделей на нелинейной задаче классификации');
|
|||
|
|
Println;
|
|||
|
|
Println($'Логистическая регрессия: Accuracy = {logregAcc:F3}');
|
|||
|
|
Println($'Градиентный бустинг: Accuracy = {gbAcc:F3}');
|
|||
|
|
Println;
|
|||
|
|
Println('Интерпретация результата:');
|
|||
|
|
Println('- Логистическая регрессия строит только линейную границу.');
|
|||
|
|
Println('- Градиентный бустинг лучше улавливает сложную форму классов.');
|
|||
|
|
end.
|