7eaddd9a54
ML - устранение неточностей и багов ML - оптимизация производительности DecisionTreeRegressor.Fit, RandomForestRegressor.Fit ML - тесты
28 lines
1,018 B
ObjectPascal
28 lines
1,018 B
ObjectPascal
// В этом примере сравниваются две модели на нелинейной задаче классификации:
|
||
// LogisticRegression и KNNClassifier.
|
||
|
||
uses MLABC;
|
||
|
||
begin
|
||
var (X, y) := Datasets.MakeMoons(
|
||
n := 450,
|
||
noise := 0.20,
|
||
seed := 42
|
||
);
|
||
|
||
var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(X, y, 0.25, seed := 42);
|
||
|
||
var logreg := new LogisticRegression(learningRate := 0.05, epochs := 1000);
|
||
logreg.Fit(XTrain, yTrain);
|
||
var logregAcc := ClassificationMetrics.Accuracy(yTest, logreg.Predict(XTest));
|
||
|
||
var knn := new KNNClassifier(7, KNNWeighting.Distance);
|
||
knn.Fit(XTrain, yTrain);
|
||
var knnAcc := ClassificationMetrics.Accuracy(yTest, knn.Predict(XTest));
|
||
|
||
Println('Сравнение моделей на нелинейной задаче классификации');
|
||
Println;
|
||
Println($'Логистическая регрессия: Accuracy = {logregAcc:F3}');
|
||
Println($'KNNClassifier: Accuracy = {knnAcc:F3}');
|
||
end.
|