7eaddd9a54
ML - устранение неточностей и багов ML - оптимизация производительности DecisionTreeRegressor.Fit, RandomForestRegressor.Fit ML - тесты
44 lines
1.3 KiB
ObjectPascal
44 lines
1.3 KiB
ObjectPascal
// Строго типизированный pipeline для классификации на DataFrame.
|
|
//
|
|
// Pipeline сам:
|
|
// • проверяет схему таблицы;
|
|
// • применяет preprocessing к признакам;
|
|
// • кодирует целевую переменную внутри себя;
|
|
// • передаёт матрицу признаков в модель.
|
|
//
|
|
// Здесь показан канонический сценарий:
|
|
// Iris -> Train/Test Split -> StandardScaler -> LogisticRegression.
|
|
uses MLABC;
|
|
|
|
begin
|
|
var ds := Datasets.Iris;
|
|
var df := ds.Data;
|
|
|
|
var (trainDf, testDf) := df.TrainTestSplit(0.2, seed := 3);
|
|
|
|
var pipe :=
|
|
DataPipeline.Build(
|
|
TaskKind.tkClassification,
|
|
ds.Target,
|
|
ds.Features,
|
|
new StandardScaler,
|
|
new LogisticRegression
|
|
);
|
|
|
|
pipe.Fit(trainDf);
|
|
|
|
var pred := pipe.Predict(testDf);
|
|
var y := pipe.GetEncodedLabels(testDf);
|
|
|
|
Println('Точность:', Metrics.Accuracy(y, pred):0:3);
|
|
|
|
var proba := pipe.PredictProba(testDf);
|
|
var classes := pipe.GetClassLabels;
|
|
|
|
Println('Классы:', classes.JoinToString(', '));
|
|
Println('Вероятности для первого объекта:');
|
|
|
|
for var j := 0 to classes.Length - 1 do
|
|
Println(classes[j], ': ', proba[0, j]:0:3);
|
|
end.
|