97 lines
3.6 KiB
ObjectPascal
97 lines
3.6 KiB
ObjectPascal
// Задача с концентрическими окружностями (MakeCircles).
|
||
// Классы вложены друг в друга, поэтому линейная разделяющая
|
||
// граница в принципе невозможна.
|
||
//
|
||
// LogisticRegression строит только линейную границу,
|
||
// поэтому полностью проваливается (сильное недообучение).
|
||
//
|
||
// DecisionTree способен моделировать нелинейную структуру,
|
||
// но делает это через разбиения по осям, из-за чего граница
|
||
// получается рваной и переобученной.
|
||
//
|
||
// RandomForest усредняет множество деревьев,
|
||
// сглаживает границу и даёт более устойчивый результат.
|
||
//
|
||
// KNNClassifier показывает лучший результат,
|
||
// так как является локальной моделью и хорошо восстанавливает
|
||
// форму вложенных областей.
|
||
//
|
||
// Визуализация наглядно показывает различия:
|
||
// • Logistic — почти прямая граница (не подходит)
|
||
// • Tree — "ступенчатая" структура (переобучение)
|
||
// • Forest — сглаженная версия дерева
|
||
// • KNN — наиболее близкая к истинной геометрии граница
|
||
uses MLABC, PlotML;
|
||
|
||
begin
|
||
// --- данные
|
||
var (X, y) := Datasets.MakeCircles(
|
||
n := 400,
|
||
noise := 0.2,
|
||
factor := 0.5,
|
||
classBalance := 0.5,
|
||
flipProb := 0.05,
|
||
scale := 3.0,
|
||
shuffle := True,
|
||
seed := 1
|
||
);
|
||
|
||
var (XTrain, XTest, yTrain, yTest) :=
|
||
Validation.TrainTestSplit(X, y, testRatio := 0.3, seed := 1);
|
||
|
||
// --- модели
|
||
var logreg := new LogisticRegression;
|
||
logreg.Fit(XTrain, yTrain);
|
||
|
||
var tree := new DecisionTreeClassifier(seed := 1);
|
||
tree.Fit(XTrain, yTrain);
|
||
|
||
var rf := new RandomForestClassifier(100, seed := 1);
|
||
rf.Fit(XTrain, yTrain);
|
||
|
||
var knn := new KNNClassifier(5);
|
||
knn.Fit(XTrain, yTrain);
|
||
|
||
// --- метрики
|
||
var accLR := Metrics.Accuracy(yTest, logreg.Predict(XTest));
|
||
var accTree := Metrics.Accuracy(yTest, tree.Predict(XTest));
|
||
var accRF := Metrics.Accuracy(yTest, rf.Predict(XTest));
|
||
var accKNN := Metrics.Accuracy(yTest, knn.Predict(XTest));
|
||
|
||
Println('--- Circles ---');
|
||
Println($'Logistic Acc: {accLR,0:F4}');
|
||
Println($'Tree Acc: {accTree,0:F4}');
|
||
Println($'Forest Acc: {accRF,0:F4}');
|
||
Println($'KNN Acc: {accKNN,0:F4}');
|
||
|
||
// --- данные для визуализации
|
||
var x1 := X.Col(0);
|
||
var x2 := X.Col(1);
|
||
var yArr := y;
|
||
|
||
var nx := 80;
|
||
var ny := 80;
|
||
|
||
// --- визуализация
|
||
var fig := Plot.Grid(2, 2);
|
||
|
||
// Logistic
|
||
fig[0,0].Surface(x1, x2, nx, ny, G -> logreg.Predict(G),Palettes.Pastel);
|
||
fig[0,0].Points(x1, x2, yArr, size := 6);
|
||
fig[0,0].Title := $'Logistic (acc={accLR,0:F3})';
|
||
|
||
// Tree
|
||
fig[0,1].Surface(x1, x2, nx, ny, G -> tree.Predict(G), Palettes.Pastel);
|
||
fig[0,1].Points(x1, x2, yArr, size := 6);
|
||
fig[0,1].Title := $'Tree (acc={accTree,0:F3})';
|
||
|
||
// Forest
|
||
fig[1,0].Surface(x1, x2, nx, ny, G -> rf.Predict(G), Palettes.Pastel);
|
||
fig[1,0].Points(x1, x2, yArr, size := 6);
|
||
fig[1,0].Title := $'Forest (acc={accRF,0:F3})';
|
||
|
||
// KNN
|
||
fig[1,1].Surface(x1, x2, nx, ny, G -> knn.Predict(G), Palettes.Pastel);
|
||
fig[1,1].Points(x1, x2, yArr, size := 6);
|
||
fig[1,1].Title := $'KNN (acc={accKNN,0:F3})';
|
||
end. |