46 lines
1.8 KiB
ObjectPascal
46 lines
1.8 KiB
ObjectPascal
// В этом примере показан supervised pipeline для матрицы признаков.
|
||
//
|
||
// Данные сначала преобразуются в матрицу X и вектор меток y,
|
||
// а затем pipeline выполняет масштабирование и обучение модели.
|
||
//
|
||
// Такой вариант удобен, когда признаки уже подготовлены
|
||
// и не требуется отдельная обработка DataFrame.
|
||
|
||
uses MLABC;
|
||
|
||
begin
|
||
var ds := Datasets.Iris;
|
||
var df := ds.Data;
|
||
|
||
// Извлекаем числовую матрицу признаков
|
||
// и кодируем названия классов в числа.
|
||
var X := df.ToMatrix(ds.Features);
|
||
var y := df.EncodeLabels(ds.Target);
|
||
|
||
// Делим данные на обучающую и тестовую выборки.
|
||
var (trainDs, testDs) := ds.StratifiedTrainTestSplit(testRatio := 0.3, seed := 42);
|
||
|
||
// Строим pipeline:
|
||
// StandardScaler -> LogisticRegression.
|
||
var pipe := MatrixPipeline.BuildClassification(
|
||
new StandardScaler,
|
||
new LogisticRegression(learningRate := 0.05, epochs := 1000)
|
||
);
|
||
|
||
// Обучаем pipeline и проверяем качество на тестовой выборке.
|
||
var XTrain := trainDs.Data.ToMatrix(trainDs.Features);
|
||
var classes: array of string;
|
||
var yTrain := trainDs.Data.EncodeLabels(trainDs.Target, classes);
|
||
|
||
var XTest := testDs.Data.ToMatrix(testDs.Features);
|
||
var yTest := testDs.Data.TransformLabels(testDs.Target, classes);
|
||
|
||
pipe.Fit(XTrain, yTrain);
|
||
var pred := pipe.Predict(XTest);
|
||
var acc := ClassificationMetrics.Accuracy(yTest, pred);
|
||
|
||
Println('Классификация Iris с помощью MatrixPipeline');
|
||
Println;
|
||
Println($'Точность на тестовой выборке: {acc:F3}');
|
||
end.
|