36 lines
1.1 KiB
ObjectPascal
36 lines
1.1 KiB
ObjectPascal
|
// В этом примере RandomForestClassifier возвращает
|
|||
|
|
// вероятности принадлежности к каждому классу.
|
|||
|
|
|
|||
|
|
uses MLABC;
|
|||
|
|
|
|||
|
|
begin
|
|||
|
|
var ds := Datasets.Iris;
|
|||
|
|
var (trainDs, testDs) := ds.StratifiedTrainTestSplit(testRatio := 0.2, seed := 42);
|
|||
|
|
|
|||
|
|
var pipe :=
|
|||
|
|
DataPipeline.Build(
|
|||
|
|
TaskKind.tkClassification,
|
|||
|
|
ds.Target,
|
|||
|
|
ds.Features,
|
|||
|
|
new RandomForestClassifier(nTrees := 100, maxDepth := 6, seed := 42)
|
|||
|
|
);
|
|||
|
|
|
|||
|
|
pipe.Fit(trainDs.Data);
|
|||
|
|
|
|||
|
|
var pred := pipe.Predict(testDs.Data);
|
|||
|
|
var yTest := pipe.GetEncodedLabels(testDs.Data);
|
|||
|
|
var acc := ClassificationMetrics.Accuracy(yTest, pred);
|
|||
|
|
|
|||
|
|
var proba := pipe.PredictProba(testDs.Data);
|
|||
|
|
var classes := pipe.GetClassLabels;
|
|||
|
|
|
|||
|
|
Println('Случайный лес с вероятностями классов');
|
|||
|
|
Println;
|
|||
|
|
Println($'Точность: {acc:F3}');
|
|||
|
|
Println;
|
|||
|
|
Println('Вероятности классов для первого объекта тестовой выборки:');
|
|||
|
|
|
|||
|
|
for var j := 0 to classes.Length - 1 do
|
|||
|
|
Println($' {classes[j]}: {proba[0, j]:F3}');
|
|||
|
|
end.
|