7eaddd9a54
ML - устранение неточностей и багов ML - оптимизация производительности DecisionTreeRegressor.Fit, RandomForestRegressor.Fit ML - тесты
29 lines
842 B
ObjectPascal
29 lines
842 B
ObjectPascal
// Полный пример задачи классификации:
|
||
// загружаем датасет, делим его на выборки,
|
||
// обучаем pipeline и оцениваем качество.
|
||
|
||
uses MLABC;
|
||
|
||
begin
|
||
var ds := Datasets.Iris;
|
||
var (trainDs, testDs) := ds.StratifiedTrainTestSplit(testRatio := 0.3, seed := 42);
|
||
|
||
var pipe := DataPipeline.Build(
|
||
TaskKind.tkClassification,
|
||
ds.Target,
|
||
ds.Features,
|
||
new StandardScaler,
|
||
new LogisticRegression(learningRate := 0.05, epochs := 1000)
|
||
);
|
||
|
||
pipe.Fit(trainDs.Data);
|
||
|
||
var pred := pipe.Predict(testDs.Data);
|
||
var yTest := pipe.GetEncodedLabels(testDs.Data);
|
||
var acc := ClassificationMetrics.Accuracy(yTest, pred);
|
||
|
||
Println('Классификация Iris: полный пример');
|
||
Println;
|
||
Println($'Accuracy = {acc:F3}');
|
||
end.
|