7eaddd9a54
ML - устранение неточностей и багов ML - оптимизация производительности DecisionTreeRegressor.Fit, RandomForestRegressor.Fit ML - тесты
51 lines
2.2 KiB
ObjectPascal
51 lines
2.2 KiB
ObjectPascal
// В этом примере сравниваются две модели на нелинейной задаче:
|
||
// линейная регрессия и дерево решений для регрессии.
|
||
//
|
||
// Линейная модель умеет строить только одну общую прямую зависимость.
|
||
// Дерево решений разбивает пространство признаков на области
|
||
// и в каждой области даёт свой локальный прогноз.
|
||
|
||
uses MLABC;
|
||
|
||
begin
|
||
var (X, y) := Datasets.MakeRegression(
|
||
n := 300,
|
||
nFeatures := 2,
|
||
nInformative := 2,
|
||
noise := 0.15,
|
||
coefScale := 1.0,
|
||
bias := 0.0,
|
||
nonlinearStrength := 4.0,
|
||
shuffle := True,
|
||
seed := 42
|
||
);
|
||
|
||
var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(
|
||
X, y, testRatio := 0.3, seed := 42
|
||
);
|
||
|
||
var linear := new LinearRegression;
|
||
linear.Fit(XTrain, yTrain);
|
||
|
||
// При minSamplesLeaf = 5 узел должен содержать хотя бы 10 объектов,
|
||
// чтобы его можно было разделить на два листа не меньше чем по 5 объектов.
|
||
var tree := new DecisionTreeRegressor(maxDepth := 6, minSamplesSplit := 10, minSamplesLeaf := 5);
|
||
tree.Fit(XTrain, yTrain);
|
||
|
||
var yPredLinear := linear.Predict(XTest);
|
||
var yPredTree := tree.Predict(XTest);
|
||
|
||
var r2Linear := RegressionMetrics.R2(yTest, yPredLinear);
|
||
var r2Tree := RegressionMetrics.R2(yTest, yPredTree);
|
||
|
||
Println('Сравнение моделей на нелинейной зависимости');
|
||
Println;
|
||
Println($'Линейная регрессия: R² = {r2Linear:F3}');
|
||
Println($'Дерево решений: R² = {r2Tree:F3}');
|
||
Println;
|
||
Println('Интерпретация результата:');
|
||
Println('- Линейная регрессия пытается описать всю зависимость одной формулой.');
|
||
Println('- Дерево решений умеет подстраиваться под разные участки данных.');
|
||
Println('- Поэтому на нелинейной задаче дерево обычно работает лучше.');
|
||
end.
|