7b1f89fb4c
Улучшены параметры синтетических датасетов Метрики разнесены по трем классам PlotML - сделан Surface и улучшены палитры
91 lines
3.3 KiB
ObjectPascal
91 lines
3.3 KiB
ObjectPascal
// Линейно разделимая задача с шумом.
|
||
// Классы в целом разделяются почти прямой линией, но из-за шума
|
||
// и случайных выбросов граница получается неидеальной.
|
||
//
|
||
// LogisticRegression показывает наилучший результат,
|
||
// так как её линейная модель хорошо соответствует структуре данных.
|
||
//
|
||
// DecisionTree строит кусочно-постоянную (рваную) границу,
|
||
// переобучается на шуме и даёт худшее качество на тесте.
|
||
//
|
||
// RandomForest сглаживает переобучение дерева за счёт ансамбля,
|
||
// но всё равно уступает линейной модели на этой задаче.
|
||
//
|
||
// KNN хорошо улавливает локальную структуру,
|
||
// но чувствителен к шуму и поэтому даёт промежуточный результат.
|
||
//
|
||
// Визуализация показывает:
|
||
// • Logistic — почти прямая граница
|
||
// • Tree — рваная, переобученная
|
||
// • Forest — сглаженная версия дерева
|
||
// • KNN — локально адаптивная граница
|
||
uses MLABC, PlotML;
|
||
|
||
begin
|
||
// --- данные
|
||
var (X, y) := Datasets.MakeClassification(
|
||
n := 500,
|
||
nFeatures := 2,
|
||
nInformative := 2,
|
||
nRedundant := 0,
|
||
noise := 0.5,
|
||
classSep := 2.0,
|
||
flipProb := 0.1,
|
||
classBalance := 0.5,
|
||
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;
|
||
tree.Fit(XTrain, yTrain);
|
||
|
||
var rf := new RandomForestClassifier(100);
|
||
rf.Fit(XTrain, yTrain);
|
||
|
||
var knn := new KNNClassifier(5);
|
||
knn.Fit(XTrain, yTrain);
|
||
|
||
// --- accuracy на test
|
||
var accLR := Metrics.Accuracy(yTest, logreg.PredictLabels(XTest));
|
||
var accTree := Metrics.Accuracy(yTest, tree.PredictLabels(XTest));
|
||
var accRF := Metrics.Accuracy(yTest, rf.PredictLabels(XTest));
|
||
var accKNN := Metrics.Accuracy(yTest, knn.PredictLabels(XTest));
|
||
|
||
// --- область рисования
|
||
var x1 := X.Col(0);
|
||
var x2 := X.Col(1);
|
||
var yArr := y.ToIntArray;
|
||
|
||
var nx := 80;
|
||
var ny := 80;
|
||
|
||
// --- визуализация
|
||
var fig := Plot.Grid(2, 2);
|
||
|
||
// Logistic
|
||
fig[0,0].Surface(x1, x2, nx, ny, G -> logreg.PredictLabels(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.PredictLabels(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.PredictLabels(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.PredictLabels(G),Palettes.Pastel);
|
||
fig[1,1].Points(x1, x2, yArr, size := 6);
|
||
fig[1,1].Title := $'KNN (acc={accKNN,0:F3})';
|
||
end. |