Программа на Python. Машинное обучение.

Прикладное ПОЗакрытнет заявок315 просмотров
Найдите исполнителя для вашего проекта прямо сейчас!
Разместите заказ на фриланс-бирже и предложения поступят уже через несколько минут.

- Описать класс алгоритма Decision Tree1. Инициализация c 4 параметрами для ограничения о6бучения (макс длина дерева, мин энтропия в узле, максимум элементов в конечном узле, число интервалов для подразбиения значений характеристики для поиска лучшего сплита)2. Функции обучения дерева - наивная (обязательная,  первая часть презентации) и векторная (последняя часть)3. Функция predict4. Функция подсчета accuracy5. Функции сохранения/загрузки дерева в pickle файлы.Функции работы с выборками6. Формирование обучающей/тестовой/валидационной выборокАлгоритм обучать на датасете digits из sklearn    - Описать класс ячейки дерева Decision Tree1. Инициализация с ссылками на левое и правое поддерево (2), характеристикой, по которой происходит сплит и её значением (2), переменной, хранящей значение является ли узел терминальным, и вектором, хранящим вектор вероятности принадлежности класса (2). Итого 6 параметров.Требования:1) Разделяющая функция - разделение гиперплоскостью, число потомков = 22) Наивная реализация - 100% задания, векторная - + 30% от задания, при выполнении всех остальных пунктов3) Валидация по макс длине дерева (от 1 до 10), максимуму элементов в конечном узле (от 2 до 8 c шагом в два), мин энтропии в узле (от 0 до 0.3 с шагом в 0.1) (10*4*4 = всего 160 экспериментов). При наивной реализации это займет долгое время (~ около часа на старом core i5). Убедитесь, что код работает корректно, прежде чем ставить большой эксперимент. Сохраните лучшую модель в пикл со значением лучших параметров в названии и приложите к коду4) Отдельно построить график с поведением точности decision tree на обучающей  и валидационной выборке при изменении максимальной длины дерева от 1 до 10 (максимум элементов в конечном узле=1, энтропии=0)5) Запрограммировать корректное вычисление энтропии и деление выборки без переполнения памяти6) Confusion Matrix для лучшего RF на тестовой выборке7) Число интервалов для подразбиения значений характеристики для поиска лучшего сплита везде считать равным 10

PythonМашинное обучение
2 года назад
stud2
Иван 
22 годаРоссия
3 года в сервисе
Был
2 года назад