7eaddd9a54
ML - устранение неточностей и багов ML - оптимизация производительности DecisionTreeRegressor.Fit, RandomForestRegressor.Fit ML - тесты
47 lines
2.2 KiB
ObjectPascal
47 lines
2.2 KiB
ObjectPascal
// Первый пример регрессии.
|
||
//
|
||
// В этом примере:
|
||
// 1) загружаем готовый датасет с ценами на квартиры;
|
||
// 2) выбираем признаки и целевую переменную;
|
||
// 3) делим данные на обучающую и тестовую выборки;
|
||
// 4) обучаем линейную регрессию;
|
||
// 5) оцениваем качество модели по метрике R².
|
||
uses MLABC;
|
||
|
||
begin
|
||
// Загружаем учебный датасет с ценами на квартиры в Москве
|
||
var ds := Datasets.MoscowHousing;
|
||
|
||
// Берём таблицу данных из датасета
|
||
var df := ds.Data;
|
||
|
||
// Выбираем числовые признаки, по которым будем предсказывать цену
|
||
var features := ['rooms', 'area', 'kitchen_area', 'floor', 'floors_total', 'metro_minutes'];
|
||
|
||
// Целевая переменная - цена квартиры
|
||
var target := 'price';
|
||
|
||
// Преобразуем выбранные признаки в числовую матрицу
|
||
var X := df.ToMatrix(features);
|
||
|
||
// Преобразуем целевую переменную в числовой вектор
|
||
var y := df.ToVector(target);
|
||
|
||
// Делим данные на обучающую и тестовую выборки
|
||
var (Xtrain, Xtest, ytrain, ytest) := Validation.TrainTestSplit(X, y, 0.2, 42);
|
||
|
||
// Создаём модель линейной регрессии
|
||
var model := new LinearRegression;
|
||
|
||
// Обучаем модель на обучающей выборке
|
||
model.Fit(Xtrain, ytrain);
|
||
|
||
// Получаем предсказания для тестовой выборки
|
||
var pred := model.Predict(Xtest);
|
||
|
||
// Считаем, насколько хорошо модель объясняет данные.
|
||
// Для простой линейной модели R² около 0.6 и выше здесь уже неплохой результат,
|
||
// но более сложные модели могут работать точнее.
|
||
Println('R²:', Metrics.R2(ytest, pred):0:3);
|
||
end.
|