இயந்திர கற்றல் வழிமுறைகளை அதிகரிப்பதற்கான ஒரு விரிவான வழிகாட்டி

உடல்நலம், சந்தைப்படுத்தல், வணிகம் மற்றும் பல துறைகளில் பல முன்னேற்றங்களுடன், இது மிகவும் மேம்பட்ட மற்றும் சிக்கலான வளர்ச்சியை ஏற்படுத்த வேண்டிய அவசியமாகிவிட்டது . இயந்திர கற்றலை அதிகரிப்பது என்பது சிக்கலான, தரவு சார்ந்த, நிஜ உலக சிக்கல்களைத் தீர்க்கப் பயன்படும் ஒரு நுட்பமாகும். இந்த வலைப்பதிவு முழுக்க முழுக்க இயந்திர கற்றலை எவ்வாறு மேம்படுத்துகிறது மற்றும் இயந்திர கற்றல் மாதிரிகளின் செயல்திறனை அதிகரிக்க அதை எவ்வாறு செயல்படுத்தலாம் என்பதில் கவனம் செலுத்துகிறது.

செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றல் பற்றிய ஆழமான அறிவைப் பெற, நீங்கள் நேரலைக்கு பதிவு செய்யலாம் 24/7 ஆதரவு மற்றும் வாழ்நாள் அணுகலுடன் எடுரேகாவால்.

உள்ளடக்கப்பட்ட தலைப்புகளின் பட்டியல் இங்கே இந்த வலைப்பதிவில்:

1. பூஸ்டிங் ஏன் பயன்படுத்தப்படுகிறது?
2. அதிகரிப்பது என்றால் என்ன?
3. அல்காரிதம் அதிகரிப்பது எவ்வாறு செயல்படுகிறது?
4. அதிகரிக்கும் வகைகள்
5. டெமோ

பூஸ்டிங் ஏன் பயன்படுத்தப்படுகிறது?

சுருண்ட சிக்கல்களைத் தீர்க்க எங்களுக்கு இன்னும் மேம்பட்ட நுட்பங்கள் தேவை. பூனைகள் மற்றும் நாய்களின் படங்களைக் கொண்ட படங்களின் தரவுத் தொகுப்பைக் கொடுத்தால், இந்த படங்களை இரண்டு தனித்தனி வகுப்புகளாக வகைப்படுத்தக்கூடிய ஒரு மாதிரியை உருவாக்கும்படி உங்களிடம் கேட்கப்பட்டது. மற்ற நபர்களைப் போலவே, கீழே கொடுக்கப்பட்டுள்ளதைப் போல சில விதிகளைப் பயன்படுத்தி படங்களை அடையாளம் காண்பதன் மூலம் தொடங்குவீர்கள்:

1. படத்தில் சுட்டிக்காட்டும் காதுகள் உள்ளன: பூனை

2. படத்தில் பூனை வடிவ கண்கள் உள்ளன: பூனை

3. படத்தில் பெரிய கால்கள் உள்ளன: நாய்

   
   
   

4. படம் நகங்களை கூர்மையாக்கியுள்ளது: பூனை

5. படம் ஒரு பரந்த வாய் அமைப்பைக் கொண்டுள்ளது: நாய்

இந்த விதிகள் அனைத்தும் ஒரு படம் நாய் அல்லது பூனை என்பதை அடையாளம் காண எங்களுக்கு உதவுகிறது, இருப்பினும், ஒரு தனிப்பட்ட (ஒற்றை) விதியின் அடிப்படையில் ஒரு படத்தை வகைப்படுத்தினால், கணிப்பு குறைபாடுடையதாக இருக்கும். இந்த விதிகள் ஒவ்வொன்றும் தனித்தனியாக பலவீனமான கற்பவர்கள் என்று அழைக்கப்படுகின்றன, ஏனெனில் இந்த விதிகள் ஒரு படத்தை பூனை அல்லது நாய் என வகைப்படுத்த போதுமானதாக இல்லை.

எனவே, எங்கள் கணிப்பு மிகவும் துல்லியமானது என்பதை உறுதிப்படுத்த, பெரும்பான்மை விதி அல்லது எடையுள்ள சராசரியைப் பயன்படுத்தி இந்த பலவீனமான கற்பவர்கள் ஒவ்வொருவரிடமிருந்தும் கணிப்பை இணைக்க முடியும். இது ஒரு வலுவான கற்றல் மாதிரியை உருவாக்குகிறது.

மேலே உள்ள எடுத்துக்காட்டில், நாங்கள் 5 பலவீனமான கற்பவர்களை வரையறுத்துள்ளோம், இந்த விதிகளில் பெரும்பாலானவை (அதாவது 5 கற்பவர்களில் 3 பேர் படத்தை பூனையாக கணிக்கிறார்கள்) எங்களுக்கு கணிப்பை அளிக்கிறது படம் ஒரு பூனை என்று. எனவே, எங்கள் இறுதி வெளியீடு ஒரு பூனை.

எனவே இது எங்களை கேள்விக்குள்ளாக்குகிறது,

அதிகரிப்பது என்றால் என்ன?

பூஸ்டிங் என்பது ஒரு குழும கற்றல் நுட்பமாகும், இது மாதிரியின் துல்லியத்தை அதிகரிப்பதற்காக பலவீனமான கற்பவரை வலுவான கற்றவர்களாக மாற்ற இயந்திர கற்றல் வழிமுறைகளின் தொகுப்பைப் பயன்படுத்துகிறது.

உயர்த்துவது என்றால் என்ன - இயந்திர கற்றலை அதிகரித்தல் - எடுரேகா

நான் குறிப்பிட்டதைப் போல பூஸ்டிங் ஒரு குழும கற்றல் முறை, ஆனால் குழும கற்றல் என்றால் என்ன?

இயந்திர கற்றலில் குழுமம் என்றால் என்ன?

குழும கற்றல் என்பது பல கற்றவர்களை இணைப்பதன் மூலம் இயந்திர கற்றல் மாதிரியின் செயல்திறனை மேம்படுத்த பயன்படும் ஒரு முறையாகும். ஒற்றை மாதிரியுடன் ஒப்பிடும்போது, ​​இந்த வகை கற்றல் மேம்பட்ட செயல்திறன் மற்றும் துல்லியத்துடன் மாதிரிகளை உருவாக்குகிறது. இதனால்தான் சந்தை முன்னணி போட்டிகளான நெட்ஃபிக்ஸ் பரிந்துரை போட்டி, காகில் போட்டிகள் மற்றும் பலவற்றை வெல்ல குழும முறைகள் பயன்படுத்தப்படுகின்றன.

சதுரத்தில் செயல்பாடுகளின் வகைகள்

குழும கற்றல் என்றால் என்ன - இயந்திர கற்றலை அதிகரித்தல் - எடுரேகா

பூஸ்டிங் மற்றும் பேக்கிங் இடையே உள்ள வித்தியாசத்தையும் கீழே விவாதித்தேன்.

Vs Bagging ஐ அதிகரிக்கும்

குழும கற்றல் இரண்டு வழிகளில் செய்யப்படலாம்:

1. தொடர் குழுமம், பிரபலமாக அறியப்படுகிறது அதிகரிக்கும் , இங்கே பலவீனமான கற்பவர்கள் தொடர்ச்சியாக பயிற்சி கட்டத்தில் தயாரிக்கப்படுகிறார்கள். முந்தைய, தவறாக வகைப்படுத்தப்பட்ட மாதிரிகளுக்கு அதிக வெயிட்டேஜை வழங்குவதன் மூலம் மாதிரியின் செயல்திறன் மேம்படுத்தப்படுகிறது. அதிகரிப்பதற்கான ஒரு எடுத்துக்காட்டு அடாபூஸ்ட் வழிமுறை.

2. இணை தொகுப்பு , பிரபலமாக அறியப்படுகிறது பேக்கிங் , இங்கே பலவீனமான கற்பவர்கள் பயிற்சி கட்டத்தில் இணையாக உற்பத்தி செய்யப்படுகிறார்கள். பூட்ஸ்ட்ராப் செய்யப்பட்ட தரவுத் தொகுப்புகளில் பல பலவீனமான கற்பவர்களுக்கு இணையாக பயிற்சியளிப்பதன் மூலம் மாதிரியின் செயல்திறனை அதிகரிக்க முடியும். பேக்கிங் செய்வதற்கான ஒரு எடுத்துக்காட்டு ரேண்டம் ஃபாரஸ்ட் வழிமுறை.

இந்த வலைப்பதிவில், நான் பூஸ்டிங் முறையில் கவனம் செலுத்துவேன், எனவே கீழ்க்கண்ட பிரிவில் நாம் அதிகரிக்கும் வழிமுறை எவ்வாறு செயல்படுகிறது என்பதைப் புரிந்துகொள்வோம்.

அல்காரிதம் அதிகரிப்பது எவ்வாறு செயல்படுகிறது?

பலப்படுத்தும் கற்றவர்களை உருவாக்குவதும், அவர்களின் கணிப்புகளை ஒன்றிணைத்து ஒரு வலுவான விதியை உருவாக்குவதும் ஊக்கமளிக்கும் வழிமுறையின் செயல்பாட்டின் பின்னணியில் உள்ள அடிப்படைக் கொள்கையாகும். தரவு தொகுப்பின் வெவ்வேறு விநியோகங்களில் அடிப்படை இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்துவதன் மூலம் இந்த பலவீனமான விதிகள் உருவாக்கப்படுகின்றன. இந்த வழிமுறைகள் ஒவ்வொரு மறு செய்கைக்கும் பலவீனமான விதிகளை உருவாக்குகின்றன. பல மறு செய்கைகளுக்குப் பிறகு, பலவீனமான கற்பவர்கள் ஒன்றிணைந்து ஒரு வலுவான கற்றலை உருவாக்குகிறார்கள், இது மிகவும் துல்லியமான முடிவைக் கணிக்கும்.

அல்காரிதம் அதிகரிப்பது எவ்வாறு இயங்குகிறது - இயந்திர கற்றலை அதிகரித்தல் - எடுரேகா

வழிமுறை எவ்வாறு செயல்படுகிறது என்பது இங்கே:

படி 1: அடிப்படை வழிமுறை தரவைப் படித்து ஒவ்வொரு மாதிரி அவதானிப்பிற்கும் சமமான எடையை ஒதுக்குகிறது.

படி 2: அடிப்படை கற்பவர் செய்த தவறான கணிப்புகள் அடையாளம் காணப்படுகின்றன. அடுத்த மறு செய்கையில், இந்த தவறான கணிப்புகள் அடுத்த அடிப்படை கற்றவருக்கு இந்த தவறான கணிப்புகளில் அதிக எடையுடன் ஒதுக்கப்படுகின்றன.

படி 3: வழிமுறை வெளியீட்டை சரியாக வகைப்படுத்தும் வரை படி 2 ஐ மீண்டும் செய்யவும்.

எனவே, பூஸ்டிங்கின் முக்கிய நோக்கம் மிஸ்-வகைப்படுத்தப்பட்ட கணிப்புகளில் அதிக கவனம் செலுத்த.

பூஸ்டிங் அல்காரிதம் எவ்வாறு செயல்படுகிறது என்பதை இப்போது நாங்கள் அறிவோம், பல்வேறு வகையான ஊக்க நுட்பங்களைப் புரிந்துகொள்வோம்.

அதிகரிக்கும் வகைகள்

ஊக்கமளிக்கும் மூன்று முக்கிய வழிகள் உள்ளன:

1. தகவமைப்பு பூஸ்டிங் அல்லது அடாபூஸ்ட்

2. சாய்வு பூஸ்டிங்

   ஜாவா என்ன சேர்க்கிறது

3. XGBoost

இந்த ஒவ்வொரு வகைக்கும் பின்னால் உள்ள அடிப்படைகளை நான் விவாதிக்கிறேன்.

தகவமைப்பு பூஸ்டிங்

• பல பலவீனமான கற்பவர்களை ஒரு வலுவான கற்றவராக இணைப்பதன் மூலம் அடாபூஸ்ட் செயல்படுத்தப்படுகிறது.

• அடாபூஸ்டில் உள்ள பலவீனமான கற்பவர்கள் ஒரு உள்ளீட்டு அம்சத்தை கணக்கில் எடுத்துக்கொண்டு, முடிவு ஸ்டம்ப் எனப்படும் ஒற்றை பிளவு முடிவு மரத்தை வரையலாம். முதல் முடிவு ஸ்டம்பை வரையும்போது ஒவ்வொரு அவதானிப்பும் சமமாக எடையும்.

• முதல் முடிவு ஸ்டம்பின் முடிவுகள் பகுப்பாய்வு செய்யப்படுகின்றன மற்றும் ஏதேனும் அவதானிப்புகள் தவறாக வகைப்படுத்தப்பட்டால், அவை அதிக எடைகள் ஒதுக்கப்படுகின்றன.

• இதை இடுகையிடவும், அதிக எடையுடன் கூடிய அவதானிப்புகளை மிகவும் முக்கியத்துவம் வாய்ந்ததாகக் கருதி ஒரு புதிய முடிவு ஸ்டம்ப் வரையப்படுகிறது.

• எந்தவொரு அவதானிப்புகளும் வகைப்படுத்தப்படாவிட்டால், அவர்களுக்கு அதிக எடை வழங்கப்படுகிறது, மேலும் அனைத்து அவதானிப்புகளும் சரியான வகுப்பில் வரும் வரை இந்த செயல்முறை தொடர்கிறது.

• அடாபூஸ்ட் வகைப்பாடு மற்றும் பின்னடைவு சார்ந்த பிரச்சினைகள் இரண்டிற்கும் பயன்படுத்தப்படலாம், இருப்பினும், இது பொதுவாக வகைப்பாடு நோக்கத்திற்காக பயன்படுத்தப்படுகிறது.

சாய்வு பூஸ்டிங்

சாய்வு பூஸ்டிங் என்பது தொடர்ச்சியான குழும கற்றலை அடிப்படையாகக் கொண்டது. இங்கே அடிப்படை கற்பவர்கள் தொடர்ச்சியாக உருவாக்கப்படுகிறார்கள், தற்போதைய அடிப்படை கற்றவர் எப்போதும் முந்தையதை விட மிகவும் பயனுள்ளதாக இருக்கும், அதாவது ஒட்டுமொத்த மாதிரியும் ஒவ்வொரு மறு செய்கையுடனும் தொடர்ச்சியாக மேம்படும்.

இந்த வகை ஊக்கத்திலுள்ள வேறுபாடு என்னவென்றால், வகைப்படுத்தப்படாத விளைவுகளுக்கான எடைகள் அதிகரிக்கப்படவில்லை, அதற்கு பதிலாக, சாய்வு பூஸ்டிங் முறை முந்தைய கற்றவரின் இழப்பு செயல்பாட்டை மேம்படுத்த முயற்சிக்கிறது, இது ஒரு புதிய மாதிரியைச் சேர்ப்பதன் மூலம் இழப்பு செயல்பாட்டைக் குறைக்கும்.

முந்தைய கற்பவரின் கணிப்புகளில் உள்ள பிழைகளை சமாளிப்பதே இங்குள்ள முக்கிய யோசனை. இந்த வகை ஏற்றம் மூன்று முக்கிய கூறுகளைக் கொண்டுள்ளது:

1. இழப்பு செயல்பாடு அதை மேம்படுத்த வேண்டும்.

2. பலவீனமான கற்பவர் கணிப்புகளைக் கணக்கிடுவதற்கும் வலுவான கற்பவர்களை உருவாக்குவதற்கும்.

3. ஒரு சேர்க்கை மாதிரி இது இழப்பு செயல்பாட்டை முறைப்படுத்தும்.

அடாபூஸ்டைப் போலவே, சாய்வு பூஸ்டிங் வகைப்பாடு மற்றும் பின்னடைவு சிக்கல்களுக்கும் பயன்படுத்தப்படலாம்.

XGBoost

XGBoost என்பது கிரேடியண்ட் பூஸ்டிங் முறையின் மேம்பட்ட பதிப்பாகும், இதன் பொருள் எக்ஸ்ட்ரீம் கிரேடியண்ட் பூஸ்டிங் என்று பொருள். தியான்கி சென் உருவாக்கிய எக்ஸ்ஜிபூஸ்ட், விநியோகிக்கப்பட்ட இயந்திர கற்றல் சமூகம் (டிஎம்எல்சி) பிரிவின் கீழ் வருகிறது.

இந்த வழிமுறையின் முக்கிய நோக்கம் கணக்கீட்டின் வேகத்தையும் செயல்திறனையும் அதிகரிப்பதாகும். கிரேடியண்ட் டெசண்ட் பூஸ்டிங் அல்காரிதம் தரவு தொகுப்பை தொடர்ச்சியாக பகுப்பாய்வு செய்வதால் வெளியீட்டை மெதுவான விகிதத்தில் கணக்கிடுகிறது, எனவே எக்ஸ்ஜிபூஸ்ட் மாதிரியின் செயல்திறனை அதிகரிக்க அல்லது அதிகப்படுத்த பயன்படுகிறது.

XGBoost - இயந்திர கற்றலை அதிகரித்தல் - எடுரேகா

XGBoost கணக்கீட்டு வேகம் மற்றும் மாதிரி செயல்திறனில் கவனம் செலுத்த வடிவமைக்கப்பட்டுள்ளது. XGBoost வழங்கிய முக்கிய அம்சங்கள்:

• இணையாக முடிவு மரங்களை உருவாக்குகிறது.

• பெரிய மற்றும் சிக்கலான மாதிரிகளை மதிப்பிடுவதற்கு விநியோகிக்கப்பட்ட கணினி முறைகளை செயல்படுத்துதல்.

• பெரிய தரவுத்தொகுப்புகளை பகுப்பாய்வு செய்ய அவுட்-ஆஃப்-கோர் கம்ப்யூட்டிங் பயன்படுத்துதல்.

• வளங்களை சிறந்த முறையில் பயன்படுத்த கேச் தேர்வுமுறை செயல்படுத்துகிறது.

எனவே இவை இருந்தனபல்வேறு வகையான பூஸ்டிங் இயந்திர கற்றல் வழிமுறைகள். விஷயங்களை சுவாரஸ்யமாக்குவதற்கு, பைத்தானில் அதிகரிக்கும் வழிமுறைகளை எவ்வாறு செயல்படுத்தலாம் என்பதைக் காண கீழேயுள்ள பகுதியில் ஒரு டெமோவை இயக்குவோம்.

பைத்தானில் இயந்திர கற்றலை அதிகரித்தல்

ஒரு குறுகிய மறுப்பு: இந்த டெமோவை இயக்க நான் பைத்தானைப் பயன்படுத்துவேன், எனவே பைத்தானை உங்களுக்குத் தெரியாவிட்டால், பின்வரும் வலைப்பதிவுகள் வழியாக செல்லலாம்:

2. கீறலில் இருந்து பைதான் 3 கற்க எப்படி - ஒரு தொடக்க வழிகாட்டி

   மலைப்பாம்பில் சக்தி செய்வது எப்படி

இப்போது உங்கள் கைகளை அழுக்காகப் பயன்படுத்தி குறியீட்டு முறையைத் தொடங்க வேண்டிய நேரம் இது.

சிக்கல் அறிக்கை: ஒரு காளான் தரவுத் தொகுப்பைப் படிப்பது மற்றும் ஒரு காளான் அதன் அம்சங்களை பகுப்பாய்வு செய்வதன் மூலம் ஒரு காளானை விஷம் அல்லது இல்லை என்று வகைப்படுத்தக்கூடிய இயந்திர கற்றல் மாதிரியை உருவாக்குதல்.

தரவு தொகுப்பு விளக்கம்: இந்த தரவு தொகுப்பு 23 வகையான கில்ட் காளான்களுக்கு ஏற்ப கற்பனையான மாதிரிகள் பற்றிய விரிவான விளக்கத்தை வழங்குகிறது. ஒவ்வொரு இனமும் உண்ணக்கூடிய காளான்கள் அல்லது உண்ண முடியாத (விஷம்) வகைப்படுத்தப்பட்டுள்ளன.

தர்க்கம்: ஒரு காளான் உண்ணக்கூடியதா இல்லையா என்பதைக் கணிப்பதற்காக பூஸ்டிங் வழிமுறைகளில் ஒன்றைப் பயன்படுத்தி இயந்திர கற்றல் மாதிரியை உருவாக்குவது.

படி 1: தேவையான தொகுப்புகளை இறக்குமதி செய்யுங்கள்

sklearn.ensemble இறக்குமதியிலிருந்து AdlaBoostClassifier from sklearn.tree இறக்குமதி இறக்குமதி லேபிள்என்கோடரை sklearn.tree இறக்குமதி DecisionTreeClassifier இறக்குமதி பாண்டாக்களை pd ஆக இறக்குமதி செய்க

படி 2: தரவு தொகுப்பை இறக்குமதி செய்க

# தரவுத்தொகுப்பில் ஏற்றவும் = pd.read_csv ('C: //Users//NeelTemp//Desktop//mushroomsdataset.csv')

படி 3: தரவு செயலாக்கம்

# நெடுவரிசை பெயர்களை வரையறுக்கவும் dataset.columns = ['இலக்கு', 'தொப்பி-வடிவம்', 'தொப்பி-மேற்பரப்பு', 'தொப்பி-வண்ணம்', 'காயங்கள்', 'நாற்றம்', 'கில்-இணைப்பு', 'கில்-இடைவெளி ',' கில்-அளவு ',' கில்-வண்ணம் ',' தண்டு-வடிவம் ',' தண்டு-வேர் ',' தண்டு-மேற்பரப்பு-மேலே-வளையம் ',' தண்டு-மேற்பரப்பு-கீழே-வளையம் ',' தண்டு-வண்ணம் -above-ring ',' stalk-color-below-ring ',' veil-type ',' veil-color ',' ring-number ',' ring-type ',' spore-print-color ',' மக்கள் ',' வாழ்விடம் '] தரவுத்தொகுப்பில் உள்ள லேபிளுக்கு: தரவுத்தொகுப்பு [லேபிள்] = லேபிள்என்கோடர் (). பொருத்தம் (தரவுத்தொகுப்பு [லேபிள்]). உருமாற்றம் (தரவுத்தொகுப்பு [லேபிள்]) # தரவு தொகுப்பு அச்சு பற்றிய தகவல்களைக் காண்பி (தரவுத்தொகுப்பு.இன்ஃபோ ( )) Int64Index: 8124 உள்ளீடுகள், 6074 முதல் 686 தரவு நெடுவரிசைகள் (மொத்தம் 23 நெடுவரிசைகள்): இலக்கு 8124 பூஜ்யமற்ற int32 தொப்பி வடிவம் 8124 பூஜ்யம் அல்லாத int32 தொப்பி-மேற்பரப்பு 8124 பூஜ்யமற்ற int32 தொப்பி-வண்ணம் 8124 பூஜ்யமற்ற int32 காயங்கள் 8124 அல்லாத பூஜ்ய int32 வாசனை 8124 பூஜ்யம் அல்லாத int32 கில்-இணைப்பு 8124 பூஜ்யம் அல்லாத int32 கில்-இடைவெளி 8124 பூஜ்யம் அல்லாத int32 கில்-அளவு 8124 பூஜ்யம் அல்லாத int32 கில்-வண்ணம் 8124 பூஜ்யம் அல்லாத int32 தண்டு வடிவம் 8124 பூஜ்யம் அல்லாத int32 தண்டு-வேர் 8124 பூஜ்யமற்ற int32 தண்டு-மேற்பரப்பு-மேலே-வளையம் 8124 பூஜ்யம் அல்லாத int32 தண்டு-மேற்பரப்பு-கீழே-வளையம் 8124 பூஜ்யமற்ற int32 தண்டு-வண்ணம்-மேலே-வளையம் 8124 பூஜ்யம் அல்லாத int32 தண்டு-வண்ணம்-கீழே-வளையம் 8124 பூஜ்யமற்ற int32 முக்காடு- வகை 8124 அல்லாத பூஜ்ய int32 முக்காடு-வண்ணம் 8124 பூஜ்யம் அல்லாத int32 வளைய-எண் 8124 பூஜ்யம் அல்லாத int32 வளைய-வகை 8124 பூஜ்யமற்ற int32 வித்து-அச்சு-வண்ணம் 8124 பூஜ்யம் அல்லாத int32 மக்கள் தொகை 8124 பூஜ்யமற்ற int32 வாழ்விடம் 8124 அல்லாத null int32 dtypes: int32 (23) நினைவக பயன்பாடு: 793.4 KB

படி 4: தரவு பிரித்தல்

X = dataset.drop (['target'], அச்சு = 1) Y = தரவுத்தொகுப்பு ['இலக்கு'] X_train, X_test, Y_train, Y_test = train_test_split (X, Y, test_size = 0.3)

படி 5: மாதிரியை உருவாக்குங்கள்

model = DecisionTreeClassifier (அளவுகோல் = 'என்ட்ரோபி', max_depth = 1) AdaBoost = AdaBoostClassifier (base_estimator = model, n_estimators = 400, learning_rate = 1)

மேலே உள்ள குறியீடு துணுக்கில், நாங்கள் அடாபூஸ்ட் வழிமுறையை செயல்படுத்தியுள்ளோம். ‘AdaBoostClassifier’ செயல்பாடு மூன்று முக்கியமான அளவுருக்களை எடுக்கும்:

• base_estimator: அடிப்படை மதிப்பீட்டாளர் (பலவீனமான கற்பவர்) முன்னிருப்பாக முடிவு மரங்கள்
• n_estimator: பயன்படுத்த வேண்டிய அடிப்படை கற்பவர்களின் எண்ணிக்கையை இந்த புலம் குறிப்பிடுகிறது.
• learning_rate: இந்த புலம் கற்றல் விகிதத்தை குறிப்பிடுகிறது, இது இயல்புநிலை மதிப்புக்கு நாங்கள் அமைத்துள்ளோம், அதாவது 1.

# பயிற்சி தரவுடன் மாதிரியைப் பொருத்து பூஸ்ட்மோடல் = அடாபூஸ்ட்.ஃபிட் (எக்ஸ்_டிரெய்ன், ஒய்_டிரெய்ன்)

படி 6: மாதிரி மதிப்பீடு

# மாதிரியின் துல்லியத்தை மதிப்பிடுங்கள் y_pred = boostmodel.predict (X_test) கணிப்புகள் = metrics.accuracy_score (Y_test, y_pred) # சதவீத அச்சில் துல்லியத்தை கணக்கிடுகிறது ('துல்லியம்:', கணிப்புகள் * 100, '%') துல்லியம் இது: 100.0%

100% துல்லியத்தை நாங்கள் பெற்றுள்ளோம், இது சரியானது!

எனவே இதன் மூலம், இந்த பூஸ்டிங் மெஷின் கற்றல் வலைப்பதிவின் முடிவுக்கு வருகிறோம். இயந்திர கற்றல் பற்றி மேலும் அறிய நீங்கள் விரும்பினால், இந்த வலைப்பதிவுகளைப் படிக்கலாம்:

செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றல் குறித்த முழுமையான பாடநெறியில் சேர விரும்பினால், எடுரேகா சிறப்பாக வடிவமைக்கப்பட்டுள்ளது இது மேற்பார்வையிடப்பட்ட கற்றல், மேற்பார்வை செய்யப்படாத கற்றல் மற்றும் இயற்கை மொழி செயலாக்கம் போன்ற நுட்பங்களில் உங்களைத் தேர்ச்சி பெறும். ஆழ்ந்த கற்றல், வரைகலை மாதிரிகள் மற்றும் வலுவூட்டல் கற்றல் போன்ற செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றலில் சமீபத்திய முன்னேற்றங்கள் மற்றும் தொழில்நுட்ப அணுகுமுறைகள் குறித்த பயிற்சி இதில் அடங்கும்.