Ma jeclaan lahayd inaad ku bilowdo barashada mashiinka?
Waxaan u sameeyay casharro fudud oo fudud kuwa bilowga ah ee dhammaystiran. Si wada jir ah, waxaan uga gudbi doonaa tillaabooyinka aasaasiga ah ee tababarka qaabka barashada mashiinka.
Marka aan sharraxayo tillaabooyinka tababbarka tusaalaha mid mid, waxaan sidoo kale siin doonaa tusaale aasaasi ah oo ku saabsan dhibaatada barashada mashiinka sidoo kale. Markaa, haddii aad jeclaan lahayd inaad raacdo, waxaad ka soo dejisan kartaa xogtan muunadda ah ee tan link.
Kani waa muunad xog ururin ah oo kaa caawinaysa inaad ku bilowdo barashada mashiinka.
Waxaan leenahay 18 qiyam oo dadka da'doodu kala duwan tahay iyo jinsiga kuwaas oo la qeexay muusikada ay jecel yihiin. Isticmaalka, sifooyinka "da'da" iyo "jinsiga" waxaan isku dayi doonaa inaan qiyaasno nooca muusigga ee ay jecel yihiin.
Fiiro gaar ah: 1 iyo 0 waxa loo qoondeeyay lab iyo dheddig ahaan dumar ahaan iyo lab ahaan xogtan.
Si kastaba ha ahaatee, haddii aadan rabin inaad raacdo tusaalaha, sidoo kale aad bay u fiican tahay. Waxaan si faahfaahsan u sharxi doonaa dhammaan tillaabooyinkan. Haddaba, aan quusanno!
Waxyaabaha Ugu Horeeya Ee Lagu Ogaado
Kahor intaanan u gelin talaabooyinka tababarka tusaalaha, aan cadeyno qodobada qaar. Barashada mishiinadu waa sirdoonka macmal edbin diiradda saaraya horumarinta algorithms kuwaas oo ka baran kara xogta.
Si tan loo sameeyo, moodooyinka barashada mishiinada waxaa lagu tababaray xog-ururin taaso baraysa qaabka sida loo sameeyo saadaal sax ah ama kala saaro Xog cusub, oo aan hore loo aqoon.
Haddaba, waa maxay moodooyinkan? A qaabka barashada mashiinka waxay la mid tahay cunto karinta uu kombuyuutarku isticmaalo si uu u soo saaro saadaalinta ama doorashooyinka.
Qaabka, sida cunto karinta oo kale, waxa uu raacaa tilmaamo si loo qiimeeyo xogta oo loo soo saaro saadaal ama xukuno ku salaysan qaababka laga helay xogta. Xogta badan ee qaabka loo tababaro, ayaa saadaasha ay noqonaysaa mid sax ah.
Nooc noocee ah ayaanu ku tababari karnaa?
Aynu aragno waxa ay yihiin moodooyinka barashada mashiinka aasaasiga ah.
- Dib u noqoshada toosan: qaab saadaaliya doorsoomayaal bartilmaameed joogto ah oo ka imanaya hal ama in ka badan doorsoomayaal wax gelin ah.
- Shabakadaha Neural: shabakad qanjidhada isku xidhan oo baran karta in lagu ogaado qaababka adag ee xogta.
- Geedaha Go'aan qaadashada: hab go'aan qaadasho oo lagu dhisay silsilad laamood haddii kale odhaahyo.
- Ururinta: waa nooc ka mid ah moodooyinka kooxeeya dhibcooyinka xogta la barbardhigi karo ee ku salaysan isku midka.
- Dib-u-celinta Logistic: tusaale u ah dhibaatooyinka kala soocida binary kaas oo doorsoomaha bartilmaameedku leeyahay laba qiime oo suurtagal ah.
- Geedaha Go'aan qaadashada: hab go'aan qaadasho oo lagu dhisay silsilad laamood haddii kale odhaahyo.
- Kaymaha Random: nooc isku dhafan oo ka kooban geedo go'aanno badan. Inta badan waxaa loo isticmaalaa soocidda iyo codsiyada dib u noqoshada.
- Deriska ugu dhow K-: qaab saadaaliya doorsoomiyaha la beegsanayo iyadoo la isticmaalayo xogta xogta ee k-ugu dhow ee shaxda tababarka.
Iyada oo ku xidhan dhibaatadeena iyo xog-ururintayada, waxaanu go'aansanaynaa nooca barashada mishiinka ee ku haboon xaaladayada. Haddana, tan dambe ayaan ku soo noqon doonnaa. Hadda, aan bilowno tababarida noocayada. Waxaan rajeynayaa inaad horey u soo dejisay dataset haddii aad jeclaan lahayd inaad nagu daydo.
Sidoo kale, waxaan ku talinayaa inaad haysato Jupyter notebook lagu rakibay mishiinka deegaankaaga oo aad u isticmaalayso mashaariicdaada barashada mashiinka.
1: Qeex dhibaatada
Marxaladda koowaad ee tababarka mashiinka barashada model ayaa qeexaya arrinta in la xalliyo. Tani waxay keenaysaa xulashada doorsoomayaasha aad rabto inaad saadaaliso (oo loo yaqaan doorsoomaha bartilmaameedka) iyo doorsoomayaasha loo isticmaali doono si loo dhaliyo saadaashaas (oo loo yaqaan astaamo ama saadaaliyayaal).
Waa inaad sidoo kale go'aansatid nooca dhibaatada-barashada mishiinka ee aad isku dayayso inaad wax ka qabato ( kala-soocidda, dib-u-celinta, kooxaynta, iyo wixii la mid ah) iyo nooca xogta aad u baahan tahay inaad ururiso ama aad hesho si aad u tababarto moodelkaaga.
Nooca moodeelka aad shaqayso waxaa lagu go'aamin doonaa nooca dhibaatada barashada mashiinka aad rabtid inaad xalliso. Kala-soocidda, dib-u-noqoshada, iyo ururintu waa saddexda qaybood ee aasaasiga ah caqabadaha barashada mashiinka. Marka aad rabto in aad saadaaliso doorsoomayaasha kala duwan, sida in iimaylka uu yahay spam iyo in kale, waxaad isticmaashaa kala saarid.
Markaad rabto inaad saadaaliso doorsoome joogto ah, sida qiimaha guriga, waxaad isticmaashaa dib u dhac. Kooxaynta waxaa loo isticmaalaa in la isku keeno xogta la barbardhigayo iyadoo lagu salaynayo waxyaabaha ay wadaagaan.
Haddii aynu eegno tusaalaheena; caqabadayadu waa in aan go'aamino qaabka muusiga ee qofku doorbidayo laga bilaabo lab iyo dheddig iyo da'diisa. Waxaan u isticmaali doonaa xog-ururinta 18 qof tusaalahan iyo macluumaadka ku saabsan da'dooda, jinsiga, iyo qaabka muusiga ee ay jecel yihiin.
2. Diyaari xogta
Ka dib markaad qeexdo dhibaatada, waxaad u baahan doontaa inaad diyaariso xogta tababarka qaabka. Tani waxay keenaysaa nadiifinta iyo habaynta xogta. Marka, in aan hubin karno in ay ku jirto qaab algorithm barashada mashiinka isticmaali karo.
Tan waxa ku jiri kara hawlo ay ka mid yihiin tirtiridda qiyamka maqan, u beddelka xogta qaybsan ee xogta tirada, iyo cabbiridda ama caadi ka dhigidda xogta si loo hubiyo in dhammaan sifooyinka ay isku miisaan yihiin.
Tusaale ahaan, sidan waa sida aad u tirtirto qiyamka maqan:
import pandas as pd
# Load the data into a pandas DataFrame
data = pd.read_csv('data.csv')
# Check for missing values
print(data.isnull().sum())
# Drop rows with missing values
data.dropna(inplace=True)
# Check that all missing values have been removed
print(data.isnull().sum())
Qoraal yar: Sadarka o"import pandas as pd",
Waxaan soo dejineynaa maktabadda Pandas waxaanan ku dhejineynaa alias "pd" si aan u fududeyno tixraaca shaqadeeda iyo walxaha dambe ee koodka.
Pandas waa qayb caan ah oo Python ah oo loogu talagalay ku-habboonaanta xogta iyo falanqaynta, gaar ahaan marka lagu shaqeynayo xogta habaysan ama shaxda.
Tusaalahayaga go'aaminta noocyada muusiga. Waxaan marka hore soo dejin doonaa xogta. Waxaan u magacaabay music.csv, si kastaba ha ahaatee, waxaad u magacaabi kartaa si kasta oo aad rabto.
Si loo diyaariyo xogta tababarka qaabka barashada mashiinka, waxaanu u kala qaybinay sifooyin (da'da iyo jinsiga) iyo ujeedooyinka (nooca muusikada).
Waxa kale oo aanu xogta u kala qaybin doonaa 80:20 tababar iyo tijaabo si aanu u qiimayno waxqabadka qaabkayaga oo aanu uga fogaano in aanu ku haboonayn.
# Import necessary libraries
import pandas as pd
from sklearn.model_selection import train_test_split
# Load data from CSV file/code>
music_data = pd.read_csv('music.csv')
# Split data into features and target
X = music_data.drop(columns=['genre'])
y = music_data['genre']
# Split data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
3. Dooro qaabka barashada mashiinka.
Kadib markaad diyaariso xogta, waa inaad doorataa nooc-barashada mashiinka oo ku habboon hawshaada.
Waxaa jira dhowr algorithms oo laga soo xulan karo, sida geedaha go'aannada, dib-u-celinta saadka, mashiinnada taageerada, shabakadaha neerfaha, iyo kuwa kale. Algorithm-ka aad doorato waxaa lagu go'aamin doonaa nooca arrinta aad isku dayayso inaad ka jawaabto, nooca xogta aad hayso, iyo baahiyahaaga waxqabad.
Waxaan u isticmaali doonaa kala soocida geedka go'aanka tusaalahan sababtoo ah waxaan la shaqeyneynaa dhibaatada kala saarista (saadaalinta xogta).
# Import necessary libraries
from sklearn.tree import DecisionTreeClassifier
Halkan waxaa ah muqaalka sida uu u shaqeeyo Go'aanka Geedka Kala-saaruhu:
4. Tabobar qaabka
Waxaad bilaabi kartaa tababarka qaabka marka aad doorato algorithm-barashada mashiinka la aqbali karo. Tani waxay keenaysaa isticmaalka xogtii hore loo soo saaray si loo baro algorithmamka sida loo sameeyo saadaalinta xogta cusub, ee aan hore loo arag.
Algorithm waxay wax ka beddeli doontaa cabbiraadda gudaha inta lagu jiro tababarka si loo yareeyo faraqa u dhexeeya qiyamkeeda la saadaaliyay iyo qiyamka dhabta ah ee xogta tababarka. Tirada xogta loo isticmaalo tababarka, iyo sidoo kale cabbirada algoorithm-ka, dhamaantood waxay saameyn ku yeelan karaan saxnaanta qaabka natiijada.
Tusaalahayaga gaarka ah, hadda oo aan go'aansanay hab, waxaan ku tababari karnaa qaabkayaga xogta tababarka.
# Train the decision tree classifier
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
5. Qiimee qaabka
Ka dib marka la tababaro qaabka, waa in lagu qiimeeyaa xogta cusub si loo hubiyo in uu yahay mid sax ah oo la isku halleyn karo. Tani waxay keenaysaa in la tijaabiyo qaabka xogta aan la isticmaalin inta lagu jiro tababarka iyo in la barbardhigo qiyamkeeda la saadaaliyay iyo qiimaha dhabta ah ee xogta imtixaanka.
Dib-u-eegiddu waxay gacan ka geysan kartaa in la aqoonsado cillad kasta oo moodeel ah, sida ku-habboonaanta xad-dhaafka ah ama ku-habboonaanta, waxayna u horseedi kartaa hagaajin kasta oo loo baahan karo.
Isticmaalka xogta tijaabada, waxaan qiimeyn doonaa saxnaanta moodeelkeena.
# Import necessary libraries
from sklearn.metrics import accuracy_score
# Predict the music genre for the test data
predictions = model.predict(X_test)
# Evaluate the model's accuracy
accuracy = accuracy_score(y_test, predictions)
print("Accuracy: ", accuracy)
Dhibcaha saxnaanta hadda aad uma lihid. 🙂 Si aad u wanaajiso dhibcahaaga saxsanaanta, had iyo jeer waad nadiifin kartaa xogta ama waxaad tijaabin kartaa noocyo kala duwan oo mashiinka-barashada si aad u aragto midka bixiya dhibcaha ugu sarreeya.
6. Hagaajin qaabka
Haddii hufnaanta moodeelku aanu ku filnayn, waxaad si fiican u hagaajin kartaa adiga oo beddelaya cabbirrada algorithm ee kala duwan ama adigoo tijaabinaya algorithms cusub gebi ahaanba.
Nidaamkan waxaa ku jiri kara tijaabinta heerarka waxbarasho ee beddelka ah, wax ka beddelka goobaha habaynta, ama beddelka tirada ama cabbirka lakabyada qarsoon ee shabakadda neerfaha.
7. Isticmaal qaabka
Marka aad ku qanacsan tahay waxqabadka moodeelka, waxaad bilaabi kartaa isticmaalkiisa si aad u abuurto saadaalin xog cusub.
Tani waxay keeni kartaa quudinta xogta cusub ee qaabka iyo ka faa'iidaysiga cabbirada la bartay moodeelka si loo dhaliyo saadaasha xogtaas, ama la dhexgaliyo qaabka codsi ama nidaam ballaadhan.
Waxaan u isticmaali karnaa moodaladayada si aan u soo saarno saadaasha xogta cusub ka dib markii aan ku faraxsanahay saxnimadeeda. Waxaad isku dayi kartaa qiyamka kala duwan ee jinsiga iyo da'da.
# Test the model with new data
new_data = [[25, 1], [30, 0]]
predictions = model.predict(new_data)
print("Predictions: ", predictions)
Duub
Waxaan dhammeynay tababbarka qaabkii ugu horreeyay ee barashada mashiinka.
Waxaan rajeynayaa inaad faa'iido u heshay. Hadda waxaad isku dayi kartaa inaad isticmaasho noocyo kala duwan oo barashada mashiinka sida Dib-u-celinta Linear ama Random Forest.
Waxa jira xog-ururin iyo caqabado badan oo ku jira Kaggle Haddii aad jeclaan lahayd inaad hagaajiso codayntaada iyo fahamka barashada mashiinka.
Leave a Reply