7eaddd9a54
ML - устранение неточностей и багов ML - оптимизация производительности DecisionTreeRegressor.Fit, RandomForestRegressor.Fit ML - тесты
49 lines
1.6 KiB
ObjectPascal
49 lines
1.6 KiB
ObjectPascal
// В этом примере показан unsupervised pipeline на DataFrame.
|
||
//
|
||
// Мы сначала готовим признаки в таблице,
|
||
// а затем передаём их в UDataPipeline:
|
||
// StandardScaler -> KMeans.
|
||
//
|
||
// Такой конвейер удобен, когда нужно явно сохранить
|
||
// шаги подготовки данных и кластеризации в одном месте.
|
||
|
||
uses MLABC;
|
||
|
||
begin
|
||
var ds := Datasets.RussianCities;
|
||
var df := ds.Data;
|
||
|
||
// Добавляем два полезных признака для кластеризации городов.
|
||
df := df.WithColumnFloat('density', row -> row.Float('population') / row.Float('area'));
|
||
df := df.WithColumnFloat('log_population', row -> Ln(row.Float('population')));
|
||
|
||
var features := ['log_population', 'density'];
|
||
|
||
var pipe :=
|
||
UDataPipeline.Build(
|
||
features,
|
||
new StandardScaler,
|
||
new KMeans(3, seed := 42)
|
||
);
|
||
|
||
var labels := pipe.FitPredict(df);
|
||
df.AddIntColumn('cluster', labels, nil);
|
||
|
||
Println('Кластеризация городов с помощью UDataPipeline');
|
||
Println;
|
||
Println('Используемые признаки: log_population, density');
|
||
Println('Число найденных кластеров: 3');
|
||
|
||
for var cluster := 0 to 2 do
|
||
begin
|
||
Println;
|
||
Println($'Кластер {cluster + 1}:');
|
||
|
||
df.Filter(row -> row.Int('cluster') = cluster)
|
||
.SortBy('population', descending := True)
|
||
.Select(['city', 'population', 'density'])
|
||
.Head(5)
|
||
.Print;
|
||
end;
|
||
end.
|