7eaddd9a54
ML - устранение неточностей и багов ML - оптимизация производительности DecisionTreeRegressor.Fit, RandomForestRegressor.Fit ML - тесты
43 lines
1.2 KiB
ObjectPascal
43 lines
1.2 KiB
ObjectPascal
// В этом примере GradientBoostingClassifier возвращает
|
||
// вероятности принадлежности к каждому классу.
|
||
|
||
uses MLABC;
|
||
|
||
begin
|
||
var ds := Datasets.Iris;
|
||
var (trainDs, testDs) := ds.StratifiedTrainTestSplit(testRatio := 0.2, seed := 42);
|
||
|
||
var pipe :=
|
||
DataPipeline.Build(
|
||
TaskKind.tkClassification,
|
||
ds.Target,
|
||
ds.Features,
|
||
new GradientBoostingClassifier(
|
||
nEstimators := 80,
|
||
learningRate := 0.1,
|
||
maxDepth := 3,
|
||
minSamplesSplit := 6,
|
||
minSamplesLeaf := 3,
|
||
seed := 42
|
||
)
|
||
);
|
||
|
||
pipe.Fit(trainDs.Data);
|
||
|
||
var pred := pipe.Predict(testDs.Data);
|
||
var yTest := pipe.GetEncodedLabels(testDs.Data);
|
||
var acc := ClassificationMetrics.Accuracy(yTest, pred);
|
||
|
||
var proba := pipe.PredictProba(testDs.Data);
|
||
var classes := pipe.GetClassLabels;
|
||
|
||
Println('Градиентный бустинг с вероятностями классов');
|
||
Println;
|
||
Println($'Точность: {acc:F3}');
|
||
Println;
|
||
Println('Вероятности классов для первого объекта тестовой выборки:');
|
||
|
||
for var j := 0 to classes.Length - 1 do
|
||
Println($' {classes[j]}: {proba[0, j]:F3}');
|
||
end.
|