سکیٹ سیکھنا - ازگر کا استعمال کرتے ہوئے مشین لرننگ

اس بلاگ میں ، ہم ازگر میں سککیٹ سیکھنے پر گفتگو کریں گے۔ سککیٹ سیکھنے کے بارے میں بات کرنے سے پہلے ، کسی کو مشین لرننگ کے تصور کو سمجھنا چاہئےاور استعمال کرنے کا طریقہ جاننا چاہئے . مشین لرننگ کے ذریعہ ، آپ کو اپنی بصیرت دستی طور پر جمع کرنے کی ضرورت نہیں ہے۔ آپ کو صرف الگورتھم کی ضرورت ہے اور مشین آپ کے لئے باقی کام کرے گی! کیا یہ دلچسپ نہیں ہے؟ سککیٹ سیکھنا ایک پرکشش مقام ہے جہاں ہم ازگر کا استعمال کرکے مشین لرننگ کو نافذ کرسکتے ہیں۔ یہایک مفت مشین لرننگ لائبریری ہے جس میں اعداد و شمار کے تجزیہ اور کان کنی کے مقاصد کے لئے آسان اور موثر ٹولز موجود ہیں۔میں آپ کو مندرجہ ذیل عنوانات کے ذریعہ لے جاؤں گا ، جو آئندہ بلاگز کے بنیادی اصولوں کے طور پر کام کریں گے:

• • مشین لرننگ کیا ہے؟ ؟
  • سکیٹ سیکھیں کا جائزہ
  • تنصیب
  • کیس استعمال کریں -لاجسٹک ریگریشن

مشین سیکھنا کیا ہے؟

مشین لرننگ مصنوعی ذہانت کی ایک قسم ہے جو سافٹ ویئر ایپلیکیشنز کو اعداد و شمار سے سبق سیکھنے اور انسانی مداخلت کے بغیر نتائج کی پیش گوئی کرنے میں زیادہ درست ہونے کی اجازت دیتی ہے۔ لیکن یہ کیسے ہوتا ہے؟ اس کے ل the ، مشین کو کچھ اعداد و شمار پر تربیت دینے کی ضرورت ہے اور اس کی بنیاد پر ، یہ ماڈل تیار کرنے کے لئے ایک نمونہ کا پتہ لگائے گی۔ڈیٹا سے علم حاصل کرنے اور طاقتور بصیرت فراہم کرنے کا یہ عمل مشین سیکھنے کے بارے میں ہے۔ اس کے کام کی بہتر تفہیم حاصل کرنے کے لئے نیچے دی گئی تصویر کا حوالہ دیں:

اعداد و شمار کا استعمال کرتے ہوئے ، یہ نظام الگورتھم سیکھتا ہے اور پھر اسے پیشگوئی کرنے والا ماڈل بنانے میں استعمال ہوتا ہے۔ بعد میں ، ہم ماڈل کو ایڈجسٹ کرتے ہیں یا ہم آراء کے اعداد و شمار کا استعمال کرتے ہوئے ماڈل کی درستگی میں اضافہ کرتے ہیں۔ فیڈ بیک ڈیٹا کا استعمال کرتے ہوئے ، ہم ماڈل کو ٹیون کرتے ہیں اور نئے ڈیٹا سیٹ پر کارروائی کی پیش گوئی کرتے ہیں۔ ہم کریں گےبحث کرنا a استعمال کیس الگورتھم کے ایک نقطہ نظر میں سے جہاں ہم ڈیٹا کی تربیت اور جانچ کریں گے جس سے آپ کو یہ بہتر انداز میں مدد ملے گی کہ آیا یہ آپ کے خاص مسئلے کے ل. اچھا فٹ ہوگا یا نہیں۔

اگلا ، مشین سیکھنے کی تین اقسام ہیں:

• • زیر نگرانی سیکھنا : یہ تربیتی ڈیٹاسیٹ سے الگورتھم سیکھنے کا عمل ہے۔ نگرانی سیکھنے وہ جگہ ہے جہاں آپ ان پٹ متغیر (X) اور آؤٹ پٹ متغیر (Y) کے مابین ایک میپنگ کا فنکشن تیار کرتے ہیں اور آپ ان کے مابین کوئی فنکشن پیدا کرنے کے لئے الگورتھم استعمال کرتے ہیں۔ یہ پیشن گوئی ماڈلنگ کے نام سے بھی جانا جاتا ہے جس سے مراد اعداد و شمار کے ذریعے پیش گوئیاں کرنے کا ایک عمل ہے۔ کچھ الگورتھم میں لکیری رجریشن ، لاجسٹک ریگریشن ، فیصلے کا درخت ، رینڈم فاریسٹ اور نیوی بیس درجہ بندی شامل ہے۔ ہم زیر نگرانی سیکھنے کے استعمال کے معاملے پر مزید بات کریں گے جہاں ہم مشین کو استعمال کرتے ہوئے تربیت دیتے ہیں لاجسٹک رجعت .
    
  • غیر سروے شدہ سیکھنا : یہ ایک ایسا عمل ہے جہاں ایک ماڈل کو ایسی معلومات کا استعمال کرتے ہوئے تربیت دی جاتی ہے جس پر لیبل نہیں لگا ہوتا ہے۔ اس عمل کو ان کے اعداد و شمار کی خصوصیات کی بنیاد پر کلاسوں میں ان پٹ ڈیٹا کو کلسٹر کرنے کے لئے استعمال کیا جاسکتا ہے۔ غیر نگرانی سیکھنے کو بطور سی بھی کہا جاتا ہےتیز تجزیہ جس کا مطلب ہے اعداد و شمار میں موجود معلومات یا ان کے تعلقات کو بیان کرنے والی معلومات کی بنیاد پر اشیاء کی گروپ بندی۔ مقصد یہ ہے کہ ایک گروپ میں موجود اشیاء کو ایک دوسرے سے ملتے جلتے ہونا چاہئے لیکن دوسرے گروپ میں موجود اشیاء سے مختلف ہونا چاہئے۔ کچھ الگورتھم میں K- مطلب کلسٹرنگ ، ہائیرارکیکل کلسٹرنگ وغیرہ شامل ہیں۔
  • کمک سیکھنے: کمک سیکھنا کسی جگہ یا ماحول کے ساتھ بات چیت کرکے سیکھ رہا ہے۔ایک RL ایجنٹ واضح طور پر سکھانے کی بجائے ، اس کے اعمال کے انجام سے سبق حاصل کرتا ہے۔ یہ اپنے اعمال اپنے ماضی کے تجربات (استحصال) کی بنیاد پر اور نئے انتخاب (ریسرچ) کے ذریعہ منتخب کرتا ہے۔

اسککیٹ لرن کا جائزہ

سکیٹ لرن ایک لائبریری ہے جو آتھر میں مشین لرننگ انجام دینے کے لئے استعمال کی جاتی ہے۔ سککیٹ لرن ایک اوپن سورس لائبریری ہے جو BSD کے تحت لائسنس یافتہ ہے اور تعلیمی اور تجارتی استعمال کی حوصلہ افزائی کرنے والے ، مختلف حوالوں سے دوبارہ قابل استعمال ہے۔ یہ ازگر میں کئی طرح کے زیر نگرانی اور غیر نگران سیکھنے والے الگورتھم فراہم کرتا ہے۔سکیٹ لرن مقبول الگورتھم اور لائبریریوں پر مشتمل ہے۔ اس کے علاوہ ، اس میں مندرجہ ذیل پیکیجز بھی شامل ہیں:

سرنی چھانٹ رہا ہے سی ++

• NumPy
• میٹپلوٹلیب
• سائنس پائی (سائنسی ازگر)

سککیٹ لرن کو نافذ کرنے کے ل. ، ہمیں پہلے مذکورہ پیکیجوں کو درآمد کرنے کی ضرورت ہے۔ اگر آپ ان لائبریریوں سے واقف نہیں ہیں تو ، آپ میرے پچھلے بلاگز پر ایک نظر ڈال سکتے ہیں اور . آپ کمانڈ لائن کا استعمال کرتے ہوئے یا اگر آپ P استعمال کررہے ہیں تو یہ دونوں پیکیج ڈاؤن لوڈ کرسکتے ہیںYتوجہ ، آپ اپنی سیٹنگ میں اسی طرح جاکر اسے انسٹال کرسکتے ہیں جس طرح آپ دوسرے پیکجوں کے ل. کرتے ہیں۔

اگلا ، اسی طرح سے، آپ کو اسکلن درآمد کرنا ہوگا.سککیٹ لرنک سائنپائٹ (سائنٹپک ازگر) پر بنایا گیا ہے جسے اسکائٹ سیکھنے کو استعمال کرنے سے پہلے انسٹال کرنا ضروری ہے۔ آپ اس کا حوالہ دے سکتے ہیں ویب سائٹ ایک ہی ڈاؤن لوڈ کرنے کے لئے. نیز ، اسکیپی اور وہیل پیکیج انسٹال کریں اگر یہ موجود نہیں ہے تو ، آپ ذیل میں کمانڈ ٹائپ کرسکتے ہیں۔

پائپ انسٹال scipy

میں نے پہلے ہی اسے ڈاؤن لوڈ اور انسٹال کر لیا ہے ، آپ کسی بھی الجھن کے ل below ذیل اسکرین شاٹ کا حوالہ دے سکتے ہیں۔

مذکورہ لائبریریوں کو درآمد کرنے کے بعد ، آئیے گہری کھدائی کرتے ہیں اور سمجھتے ہیں کہ اسککیٹ سیکھنے کو کس طرح استعمال کیا جاتا ہے۔

سکیٹ لرن نمونہ ڈیٹاسیٹس کے ساتھ آتی ہے ، جیسے ایرس اور ہندسے . آپ ڈیٹاسیٹس کو درآمد کرسکتے ہیں اور ان کے ساتھ کھیل سکتے ہیں۔ اس کے بعد ، آپ کو ایس وی ایم درآمد کرنا پڑے گا جس کا مطلب سپورٹ ویکٹر مشین ہے۔ ایس وی ایم مشین لرننگ کی ایک شکل ہے جو ڈیٹا کا تجزیہ کرنے کے لئے استعمال ہوتی ہے۔

آئیے ہم ایک مثال لیں جہاں ہم لیں گے ہندسے ڈیٹاسیٹ اور یہ ہمارے لئے نمبروں کی درجہ بندی کرے گا ، مثال کے طور پر- 0 1 2 3 4 5 6 7 8 9. ذیل میں کوڈ ملاحظہ کریں:

اسکلر امپورٹ ایسوییم ہندسوں سے ڈیٹاسیٹ = ڈیٹاسیٹ ڈاٹ لوڈز () پرنٹ (ہندسوں ڈٹا) سے اسکیلرن امپورٹ ڈیٹاسیٹس سے بطور پلاٹ درآمد matplotlib.pyplot

آؤٹ پٹ -

[[0. 0. 5. ...، 0. 0. 0.] [0. 0. 0. ...، 10. 0. 0.] [0. 0. 0. ...، 16 9. 0.] ... ، [0. 0. 1. ...، 6. 0. 0.] [0. 0. 2. ...، 12. 0. 0.] [0. 0. 10. ... ، 12. 1. 0.]]

یہاں ہم نے ابھی لائبریریوں ، ایس وی ایم ، ڈیٹاسیٹس کو درآمد کیا ہے اور ڈیٹا کو پرنٹ کیا ہے۔ یہ اعداد و شمار کی ایک طویل صف ہے جہاں اعداد و شمار کو محفوظ کیا جاتا ہے۔ یہ ان خصوصیات تک رسائی فراہم کرتا ہے جن کو درجہ بندی کرنے کے لئے استعمال کیا جاسکتا ہے ہندسے نمونے۔ اگلا ، آپ کچھ دیگر کارروائیوں جیسے ٹارگٹ ، تصاویر وغیرہ کو بھی آزما سکتے ہیں ذیل کی مثال پر غور کریں:

اسکلر امپورٹ ایس ایم ایم ہندسوں سے = ڈیٹاسیٹ ڈاٹ لوڈ_ڈیجکس () پرنٹ (ہندسوں۔ٹارجیٹ) پرنٹ (ہندسوں. نقشوں [0]) سے اسکیلرن امپورٹ ڈیٹاسیٹس سے پلاٹ کی حیثیت سے matplotlib.pyplot درآمد کریں۔

آؤٹ پٹ -

[0 1 2 ... ، 8 9 8] // ڈیٹا کا ہدف [[0. 0. 5. 13. 9. 1. 0. 0.] // اعداد و شمار کی شبیہہ [0. 0. 13. 15. 10. 15. 5. 0.] [0. 3. 15. 2. 0. 11. 8. 0.] [0. 4. 12. 0. 0. 8. 8. 0.] [0. 5. 8. 0. 0. 9. 8. 0.] [0. 4. 11. 0. 1. 12. 7. 0.] [0. 2. 14. 5. 10. 12. 0. 0. ] [0. 0. 6. 13. 10. 0. 0. 0.]]

جیسا کہ آپ اوپر دیکھ سکتے ہیں ، ہدف کے ہندسے اور ہندسوں کی شبیہہ طباعت ہوتی ہے۔ Digits.target کے لئے زمینی حق دیتا ہے ہندسہ ڈیٹاسیٹ ، یہ ہر عدد کی شبیہہ کے مطابق نمبر ہے۔ اگلا ، اعداد و شمار ہمیشہ ایک 2D صف ہوتے ہیں جس کی ایک شکل ہوتی ہے (n_sample، n_features) ، اگرچہ اصل اعداد و شمار کی مختلف شکل ہوسکتی ہے۔ لیکن ہندسوں کی صورت میں ، ہر اصل نمونہ شکل کی ایک شبیہہ (8،8) ہے اور اسے استعمال کرکے حاصل کیا جاسکتا ہے ہندسے . تصویر.

ترتیب کی تقریب سی ++ سرنی

سیکھنا اور پیشن گوئی

اس کے بعد ، سککیٹ سیکھنے میں ، ہم نے ڈیٹاسیٹ (10 ممکنہ کلاسوں کا نمونہ ، صفر سے نو تک کے ہندسوں) کا استعمال کیا ہے اور جب کوئی تصویر دی جاتی ہے تو ہمیں ہندسوں کی پیش گوئی کرنے کی ضرورت ہوتی ہے۔ کلاس کی پیشن گوئی کرنے کے لئے ، ہمیں ایک کی ضرورت ہے تخمینہ لگانے والا جو ان کلاسوں کی پیش گوئی کرنے میں مدد کرتا ہے جن سے دیکھے ہوئے نمونے ہیں۔ سککیٹ سیکھنے میں ، ہمارے پاس درجہ بندی کے لئے ایک تخمینہ لگانے والا موجود ہے جو ایک ازگر کی چیز ہے جو طریقوں کو نافذ کرتی ہے فٹ (x ، y) اور پیشن گوئی (ٹی) آئیے ذیل کی مثال پر غور کریں:

اسکلر امپورٹ ایس ایم ایم ہندسوں سے = ڈیٹاسیٹ ڈاٹ لوڈ_ڈیجکس () // ڈیٹاسیٹ سی ایل ایف = ایس ایم سی ایس سی سی (گاما = 0.001 ، سی = 100) پرنٹ (لین (ہندسوں۔ڈیٹا)) x ، y سے اسکلیرن امپورٹ ڈیٹاسیٹس سے پلاٹ کی حیثیت سے matplotlib.pyplot درآمد کریں۔ = ہندسوں.ڈیٹا [: - 1] ، ہندسوں۔قسمت [: - 1] // ڈیٹا کو تربیت دیں clf. Fit (x، y) پرنٹ ('پیشن گوئی:' ، clf.predict (ہندسوں۔ڈیٹا [-1]) ) // ڈیٹا کی پیش گوئی کریں plt.imshow (Digits.images [-1]، cmap = plt.cm.gray_r، انٹرپلیشن = 'قریب ترین') plt.show ()

آؤٹ پٹ -

1796
پیشن گوئی: [8]

مندرجہ بالا مثال میں ، ہم نے پہلی لمبائی اور بھاری بھرکم 1796 مثالیں ڈھونڈ لیں۔ اگلا ، ہم نے اس اعداد و شمار کو سیکھنے کے اعداد و شمار کے طور پر استعمال کیا ہے ، جہاں ہمیں آخری عنصر اور پہلے منفی عنصر کی جانچ کرنے کی ضرورت ہے۔ نیز ، ہمیں یہ بھی جاننے کی ضرورت ہے کہ مشین نے صحیح ڈیٹا کی پیش گوئی کی ہے یا نہیں۔ اس کے ل we ، ہم نے Matplotlib استعمال کیا تھا جہاں ہم نے ہندسوں کی تصویر دکھائی تھی۔لہذا یہ نتیجہ اخذ کرنے کے لئے ، آپ کے پاس ہندسوں کا ڈیٹا ہے ، آپ کو ہدف مل گیا ہے ، آپ اس کے فٹ ہوجاتے ہیں اور اس کی پیش گوئی کرتے ہیں اور اسی وجہ سے آپ جانا چاہتے ہیں۔ یہ واقعی میں تیز اور آسان ہے ، ہے نا؟

آپ کسی تصویری نشانے پر مشتمل ٹارگٹ لیبل کو بھی دیکھ سکتے ہیں ، صرف نیچے کا کوڈ ملاحظہ کریں:

اسکلر امپورٹ ایس ایم ایم ہندسوں سے = ڈیٹاسیٹ ڈاٹ لوڈ_ڈیجکس () # اسکیلرن امپورٹ ڈیٹاسیٹس سے پلاٹ کی حیثیت سے matplotlib.pyplot درآمد کریں # ایک فہرست میں تصاویر اور ٹارگٹ لیبل کو شامل کریں تصاویر_اور_ابیلس = فہرست (زپ (ہندسوں ، نقشوں ، ہندسوں کا نشان)) # ہر عنصر کیلئے فہرست میں (انڈیکس) ، (امیجز ، لیبل) کو گنتی میں (تصاویر_اور_لیبلز [: 8]): # 2 ایکس 4 کے ذیلی شعبے کا آغاز +1 + مقام پوزیشن plt.subplot (2 ، 4 ، انڈیکس + 1) میں کریں # تصاویر دکھائیں تمام subplots plt.imshow (image، cmap = plt.cm.gray_r، انٹرپلیشن = 'قریب ترین') # ہر سب پلیٹ plt.title ('ٹریننگ:' + str (لیبل)) میں # ایک عنوان شامل کریں # پلاٹ پلاٹ دکھائیں۔ دکھائیں ()

آؤٹ پٹ-

جیسا کہ آپ مندرجہ بالا کوڈ میں دیکھ سکتے ہیں ، ہم نے ایک زپ میں شامل ہونے اور تصاویر کو نشانہ بنانے والے لیبل کو فہرست میں شامل کرنے اور پھر اسے متغیر میں محفوظ کرنے کے لئے ’زپ‘ فنکشن کا استعمال کیا ہے۔ اس کے بعد ، ہم نے پہلے آٹھ عناصر کو ہر پوزیشن پر 2 بائی 4 کے گرڈ میں ترتیب دیا ہے۔ اس کے بعد ، ہم نے صرف میٹپلوٹلیب کی مدد سے تصاویر دکھائیں اور عنوان 'بطور تربیت' شامل کیا۔

کیس استعمال کریں - لاجسٹک ریگریشن کے استعمال کی پیشن گوئی

مسئلہ یہ بیان - ایک کار کمپنی نے مارکیٹ میں ایک نئی ایس یو وی جاری کی ہے۔ اپنی ایس یو وی کی فروخت کے بارے میں سابقہ ​​اعداد و شمار کا استعمال کرتے ہوئے ، وہ ان لوگوں کے زمرے کی پیش گوئی کرنا چاہتے ہیں جو شاید اس خریدنے میں دلچسپی رکھتے ہوں۔

اس کے ل us ، ہم ایک ڈیٹاسیٹ دیکھیں جہاں میرے پاس ہے یوزرآئڈی ، صنف ، عمر ، تخمینہ شدہ تنخواہ اور خریداری بطور کالم۔ یہ صرف ایک نمونہ ڈیٹاسیٹ ہے ، آپ اس سے پورا ڈیٹاسیٹ ڈاؤن لوڈ کرسکتے ہیں یہاں . ایک بار جب ہم pyCharm میں ڈیٹا درآمد کرتے ہیں تو ، کچھ ایسا ہی لگتا ہے۔

اب ہم اس کوائف کو سمجھیں۔ جیسا کہ آپ مندرجہ بالا ڈیٹاسیٹ میں دیکھ سکتے ہیں ، ہمارے پاس آئی ڈی ، صنف ، عمر وغیرہ جیسے زمرے ہیں اب ان اقسام کی بنیاد پر ، ہم اپنی مشین کو تربیت دینے اور اس کی پیش گوئی کرنے جارہے ہیں۔ خریداری کی. تو یہاں ، ہمارے پاس ہے آزاد متغیر بطور 'عمر' ، 'متوقع تنخواہ' اور منحصر متغیر بطور ’خریدا‘۔ اب ہم زیر نگرانی سیکھنے کا اطلاق کریں گے ، یعنی لاجسٹک ریگریشن الگورتھم موجودہ اعداد و شمار کا استعمال کرتے ہوئے خریداری کی تعداد معلوم کرنے کے ل.۔

پہلے ، لوجسٹک رجعت کا جائزہ لیں۔

لاجسٹک ریگریشن - لاجسٹک ریگریشن ایک بائنری فارمیٹ میں نتائج پیدا کرتی ہے جو ایک واضح انحصار متغیر کے نتائج کی پیش گوئی کے لئے استعمال ہوتی ہے۔ یہ سب سے زیادہ وسیع پیمانے پر استعمال ہوتا ہے جب انحصار متغیر بائنری ہوتا ہے یعنی دستیاب زمروں کی تعداد دو ہوتی ہے جیسے ، لاجسٹک ریگریشن کی معمول کے نتائج -

• ہاں اور نہ
• سچ اور غلط
• اونچا اور نیچا
• پاس اور فیل

کوڈ کے ساتھ شروع کرنے کے لئے ، ہم پہلے ان لائبریریوں - نمپی ، میٹپلوٹلیب اور پانڈاس کو درآمد کریں گے۔ مندرجہ ذیل مراحل کی پیروی کرتے ہوئے پیچرم میں پانڈا درآمد کرنا بہت آسان ہے۔

ترتیبات -> پیکیج شامل کریں -> پانڈس -> انسٹال کریں

اس کے بعد ، ہم ڈیٹاسیٹ اور علیحدہ انحصار متغیر (خریدا) اور آزاد متغیر (عمر ، تنخواہ) درآمد کریں گے۔

سی ++ ترتیب کی فہرست

ڈیٹاسیٹ = پی ڈی.ریڈ_سیسوی ('سوشل_ نیٹ ورک_ایڈس سی ایس وی') ایکس = ڈیٹاسیٹ ڈائیلوک [:، [2، 3]]. قدر y = ڈیٹاسیٹ ڈائلوک [:، 4]. قیمت پرنٹ (X) پرنٹ (y)

اگلے مرحلے میں اعداد و شمار کی تربیت اور جانچ ہوگی۔ ایک مشترکہ حکمت عملی یہ ہے کہ تمام لیبل لگا ہوا ڈیٹا لیا جائے اور ٹریننگ اور ٹیسٹنگ سبسیٹس میں تقسیم کیا جائے ، جو عام طور پر ٹریننگ سبسیٹ کے لئے 70-80٪ اور ٹیسٹنگ سبسیٹ کے لئے 20-30٪ کے تناسب کے ساتھ لیا جاتا ہے۔ لہذا ، ہم نے کراس_ٹیویلائزیشن کا استعمال کرتے ہوئے ٹریننگ اور ٹیسٹنگ سیٹ تخلیق کیا ہے۔

سکلیرینکراس_کولائزیشن درآمدی ٹرین_ٹیسٹ_اسپلٹ ایکس_ٹرین ، ایکس_سٹٹ ، وائے ٹرین ، ی_ٹیسٹ = ٹرین_ٹیسٹ_اسپلٹ (X ، y ، ٹیسٹ_چیز = 0.25 ، رینڈم_اسٹیٹ = 0)

ذیل میں جیسا کہ اسٹینڈر اسکیلر کا استعمال کرتے ہوئے ہم بہتر کارکردگی کے ل the ان پٹ اقدار کو پیمانہ کرسکتے ہیں:

from sklearn.preprocessing Import StandardScaler sc = StandardScaler () X_train = sc.fit_transform (X_train) X_test = sc.transform (X_test)

اب ہم اپنا لاجسٹک ریگریشن ماڈل بنائیں گے۔

sklearn.linear_model درآمد سے LogisticRegression classifier = LogisticRegression (بے ترتیب_اسٹیٹ = 0) درجہ بندی.فٹ (X_train ، y_train)

ہم اسے استعمال کرسکتے ہیں اور اپنے ٹیسٹ سیٹ کے نتائج کی پیش گوئی کرسکتے ہیں۔

y_pred = classifier.predict (X_test)

اب ، ہم جانچ سکتے ہیں کہ کتنی پیش گوئیاں درست تھیں اور کتنے استعمال نہیں کررہے تھے کنفیوژن میٹرکس . آئیے Y کو مثبت مثال کے طور پر اور N کو منفی مثال کے طور پر متعین کریں۔ چار نتائج 2 * 2 کنفیوژن میٹرکس میں مرتب کیے گئے ہیں ، جیسا کہ ذیل میں پیش کیا گیا ہے۔

اسکیلرن ڈیمیٹرکس سے امپورٹ_میٹریکس سینٹی میٹر = کنفیوژن_میٹرکس (y_یسٹ، y_pred) پرنٹ (سینٹی میٹر)

آؤٹ پٹ-

[[65 3] [8 24]]

اگلا ، ہمارے کنفیوژن میٹرکس کی بنیاد پر ، ہم درستگی کا حساب لگاسکتے ہیں۔ تو ہماری مذکورہ بالا مثال میں ، درستگی یہ ہوگی:

= TP + TN / FN + FP

= 65 + 24/65 +3+ 8 + 24

= 89٪

ہم نے یہ دستی طور پر کیا ہے! اب ہم دیکھتے ہیں کہ مشین ہمارے لئے اسی طرح کا حساب کتاب کرتی ہے ، اس کے لئے ہمارے پاس ایک انبلٹ فنکشن ہے ‘درستگی_سکور’ جو درستگی کا حساب لگاتا ہے اور اسے پرنٹ کرتا ہے ، جیسا کہ ذیل میں دکھایا گیا ہے:

اسکیلرن ڈیمیٹرکس سے درآمد کی درستگی_سکور // فنکشن درستگی_سکور پرنٹ درآمد کریں (درستگی_سکور (ی_ٹیسٹ ، ی_پریڈ) * 100) // درستگی پرنٹ کرتا ہے

آؤٹ پٹ -

89.0

ہورے! ہم نے اس طرح 89 فیصد درستگی کے ساتھ اسککیٹ لرن کا استعمال کرتے ہوئے لاجسٹک ریگریشن کو کامیابی کے ساتھ نافذ کیا ہے۔

یہاں کلک کریں مندرجہ بالا پیش گوئی کا مکمل مکمل وسیلہ حاصل کرنے کے ل ازگر سکیٹ لرن لائبریری کا استعمال کرتے ہوئے۔

اس کے ساتھ ، ہم نے بہت سے مشہور الگورتھمز ازگر کو پیش کرنے کے لئے پیش کیا ہے میں سے صرف ایک کا احاطہ کیا ہے۔ہم نے اسکائٹ لائبریری سیکھنے کی ساری بنیادی باتوں کا احاطہ کیا ہے ،تاکہ آپ ابھی مشق کرنا شروع کردیں۔ جتنا آپ مشق کریں گے اتنا ہی آپ سیکھیں گے۔ مزید ازگر ٹیوٹوریل بلاگس کے لئے ملحوظ خاطر رہیں!

ہمارے لئے ایک سوال ہے؟ براہ کرم اس 'سککیٹ لرن' بلاگ کے تبصرے سیکشن میں اس کا تذکرہ کریں اور ہم جتنی جلدی ممکن ہو آپ کے پاس واپس آجائیں گے۔ ازگر کے مختلف اطلاق کے ساتھ گہرائی سے علم حاصل کرنے کے ل you ، آپ کر سکتے ہیں 24/7 مدد اور زندگی بھر تک رسائی کے ساتھ براہ راست آن لائن تربیت کے ل.۔