Scikit-Learn के साथ सुपरवाइज़्ड लर्निंग

पर्यवेक्षित अधिगम में पूर्वानुमान लगाने या डेटा बिंदुओं का वर्गीकरण करने के लिए लेबलयुक्त डेटा का उपयोग करके किसी प्रतिरूप को प्रशिक्षित किया जाता है। स्किकिट-लर्न, पर्यवेक्षित अधिगम प्रतिरूपों को लागू करने के लिए एक लोकप्रिय पाइथन लाइब्रेरी है।

इस पाठ में आप स्किकिट-लर्न का उपयोग करके पर्यवेक्षित अधिगम प्रतिरूप बनाना और उनका मूल्यांकन करना सीखेंगे।

पर्यवेक्षित अधिगम में लेबलयुक्त डेटा का उपयोग किया जाता है, जिसमें प्रत्येक प्रवेश मान के अनुरूप एक परिणाम होता है। लक्ष्य प्रवेश मानों और परिणामों के बीच संबंध सीखना है।

सामान्य कार्यों में शामिल हैं:

• प्रतिगमन: सतत मानों का पूर्वानुमान लगाना, जैसे घरों की कीमतें।
• वर्गीकरण: श्रेणियों का पूर्वानुमान लगाना, जैसे अवांछित संदेश या सामान्य संदेश।

pip का उपयोग करके स्किकिट-लर्न इंस्टॉल करें:

pip install scikit-learn

इंस्टॉल हो जाने के बाद, आप इसे इम्पोर्ट करके प्रतिरूप बनाना शुरू कर सकते हैं।

रैखिक प्रतिगमन का उपयोग सतत मानों का पूर्वानुमान लगाने के लिए किया जाता है। आइए एक सरल रैखिक प्रतिगमन प्रतिरूप बनाएँ:

# Example: Linear Regression
from sklearn.linear_model import LinearRegression

# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]

model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))

लॉजिस्टिक प्रतिगमन का उपयोग द्विआधारी वर्गीकरण कार्यों के लिए किया जाता है, जैसे यह निर्धारित करना कि कोई ईमेल अवांछित संदेश है या नहीं।

# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression

# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]

model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))

निर्णय वृक्ष ऐसे बहुमुखी प्रतिरूप हैं जो प्रतिगमन और वर्गीकरण, दोनों कार्यों को संभाल सकते हैं। आइए एक सरल निर्णय वृक्ष वर्गीकारक बनाएँ:

# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier

# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]

model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))

स्किकिट-लर्न प्रतिरूप के प्रदर्शन का मूल्यांकन करने के लिए मेट्रिक्स उपलब्ध कराता है:

• माध्य वर्ग त्रुटि (MSE): प्रतिगमन प्रतिरूपों के लिए।
• सटीकता: वर्गीकरण प्रतिरूपों के लिए।

# Example: Evaluating a model
from sklearn.metrics import mean_squared_error

# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))

अपरिचित डेटा पर प्रतिरूप के प्रदर्शन का मूल्यांकन करने के लिए अपने डेटा-समुच्चय को हमेशा प्रशिक्षण और परीक्षण समुच्चयों में विभाजित करें:

# Example: Train-Test Split
from sklearn.model_selection import train_test_split

X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)

यहाँ कुछ ऐसी गलतियाँ दी गई हैं जिनसे बचना चाहिए:

• डेटा को प्रशिक्षण और परीक्षण समुच्चयों में विभाजित न करना।
• बहुत जटिल एल्गोरिदम का उपयोग करके प्रतिरूप में अति-अनुरूपण करना।
• प्रशिक्षण के लिए खराब तरीके से लेबल किए गए डेटा का उपयोग करना।

इस पाठ में आपने सीखा:

• स्किकिट-लर्न का उपयोग करके प्रतिगमन और वर्गीकरण प्रतिरूप बनाना।
• MSE और सटीकता जैसे मेट्रिक्स का उपयोग करके प्रतिरूप के प्रदर्शन का मूल्यांकन करना।
• डेटा को प्रशिक्षण और परीक्षण समुच्चयों में विभाजित करने का महत्व।
• पर्यवेक्षित अधिगम कार्यों में बचने योग्य सामान्य गलतियाँ।

बहुत अच्छा! अब अगले विषय पर चलते हैं।