7eaddd9a54
ML - устранение неточностей и багов ML - оптимизация производительности DecisionTreeRegressor.Fit, RandomForestRegressor.Fit ML - тесты
35 lines
922 B
ObjectPascal
35 lines
922 B
ObjectPascal
// Полный пример задачи регрессии:
|
||
// загружаем датасет, делим его на выборки,
|
||
// обучаем pipeline и оцениваем качество.
|
||
|
||
uses MLABC;
|
||
|
||
begin
|
||
var ds := Datasets.MoscowHousing;
|
||
var df := ds.Data;
|
||
|
||
var features := ['rooms', 'area', 'kitchen_area', 'floor', 'floors_total', 'metro_minutes', 'renovation'];
|
||
var target := 'price';
|
||
|
||
var (trainDf, testDf) := df.TrainTestSplit(0.2, seed := 42);
|
||
|
||
var pipe := DataPipeline.Build(
|
||
TaskKind.tkRegression,
|
||
target,
|
||
features,
|
||
new OneHotEncoder('renovation'),
|
||
new StandardScaler,
|
||
new LinearRegression
|
||
);
|
||
|
||
pipe.Fit(trainDf);
|
||
|
||
var pred := pipe.Predict(testDf);
|
||
var yTest := testDf.ToVector(target);
|
||
var r2 := Metrics.R2(yTest, pred);
|
||
|
||
Println('Прогноз цен на жильё: полный пример');
|
||
Println;
|
||
Println($'R² = {r2:F3}');
|
||
end.
|