การวิเคราะห์จำแนกกำลังสองใน python (ทีละขั้นตอน)


การวิเคราะห์จำแนกกำลังสอง เป็นวิธีการที่คุณสามารถใช้เมื่อคุณมีชุดตัวแปรทำนาย และคุณต้องการจัด ประเภทตัวแปรตอบสนองออก เป็นสองคลาสขึ้นไป

ถือว่าเทียบเท่าแบบไม่เชิงเส้นของ การวิเคราะห์จำแนกเชิงเส้น

บทช่วยสอนนี้ให้ตัวอย่างทีละขั้นตอนของวิธีดำเนินการวิเคราะห์จำแนกกำลังสองใน Python

ขั้นตอนที่ 1: โหลดไลบรารีที่จำเป็น

ขั้นแรก เราจะโหลดฟังก์ชันและไลบรารีที่จำเป็นสำหรับตัวอย่างนี้:

 from sklearn. model_selection import train_test_split
from sklearn. model_selection import RepeatedStratifiedKFold
from sklearn. model_selection import cross_val_score
from sklearn. discriminant_analysis import QuadraticDiscriminantAnalysis 
from sklearn import datasets
import matplotlib. pyplot as plt
import pandas as pd
import numpy as np

ขั้นตอนที่ 2: โหลดข้อมูล

สำหรับตัวอย่างนี้ เราจะใช้ชุดข้อมูล ม่านตา จากไลบรารี sklearn รหัสต่อไปนี้แสดงวิธีการโหลดชุดข้อมูลนี้และแปลงเป็น DataFrame ของแพนด้าเพื่อความสะดวกในการใช้งาน:

 #load iris dataset
iris = datasets. load_iris ()

#convert dataset to pandas DataFrame
df = pd.DataFrame(data = np.c_[iris[' data '], iris[' target ']],
                 columns = iris[' feature_names '] + [' target '])
df[' species '] = pd. Categorical . from_codes (iris.target, iris.target_names)
df.columns = [' s_length ', ' s_width ', ' p_length ', ' p_width ', ' target ', ' species ']

#view first six rows of DataFrame
df. head ()

   s_length s_width p_length p_width target species
0 5.1 3.5 1.4 0.2 0.0 setosa
1 4.9 3.0 1.4 0.2 0.0 setosa
2 4.7 3.2 1.3 0.2 0.0 setosa
3 4.6 3.1 1.5 0.2 0.0 setosa
4 5.0 3.6 1.4 0.2 0.0 setosa

#find how many total observations are in dataset
len(df.index)

150

เราจะเห็นว่าชุดข้อมูลนี้มีข้อสังเกตทั้งหมด 150 รายการ

สำหรับตัวอย่างนี้ เราจะสร้างแบบจำลองการวิเคราะห์จำแนกกำลังสองเพื่อจำแนกชนิดพันธุ์ของดอกไม้ที่กำหนด

เราจะใช้ตัวแปรทำนายต่อไปนี้ในโมเดล:

  • ความยาวกลีบเลี้ยง
  • ความกว้างของกลีบเลี้ยง
  • ความยาวกลีบดอก
  • ความกว้างของกลีบดอก

และเราจะใช้พวกมันเพื่อทำนายตัวแปรการตอบสนอง ของสปีชีส์ ซึ่งรองรับคลาสที่เป็นไปได้สามคลาสต่อไปนี้:

  • เซโตซ่า
  • เวอร์ซิคัลเลอร์
  • เวอร์จิเนีย

ขั้นตอนที่ 3: ปรับโมเดล QDA

ต่อไป เราจะปรับโมเดล QDA ให้พอดีกับข้อมูลของเราโดยใช้ฟังก์ชัน QuadraticDiscriminantAnalsys ของ sklearn:

 #define predictor and response variables
X = df[[' s_length ',' s_width ',' p_length ',' p_width ']]
y = df[' species ']

#Fit the QDA model
model = QuadraticDiscriminantAnalysis()
model. fit (x,y)

ขั้นตอนที่ 4: ใช้แบบจำลองเพื่อคาดการณ์

เมื่อเราติดตั้งโมเดลโดยใช้ข้อมูลของเราแล้ว เราก็สามารถประเมินประสิทธิภาพของโมเดลได้โดยใช้การตรวจสอบความถูกต้องข้ามแบบแบ่งชั้น k-fold ซ้ำ

สำหรับตัวอย่างนี้ เราจะใช้การพับ 10 ครั้งและการทำซ้ำ 3 ครั้ง:

 #Define method to evaluate model
cv = RepeatedStratifiedKFold(n_splits= 10 , n_repeats= 3 , random_state= 1 )

#evaluate model
scores = cross_val_score(model, X, y, scoring=' accuracy ', cv=cv, n_jobs=-1)
print( np.mean (scores))  

0.97333333333334

เราจะเห็นได้ว่าโมเดลนี้มีความแม่นยำโดยเฉลี่ย 97.33% .

นอกจากนี้เรายังสามารถใช้แบบจำลองเพื่อทำนายว่าดอกไม้ใหม่อยู่ในคลาสใด โดยพิจารณาจากค่าอินพุต:

 #define new observation
new = [5, 3, 1, .4]

#predict which class the new observation belongs to
model. predict ([new])

array(['setosa'], dtype='<U10')

เราเห็นว่าแบบจำลองทำนายว่าการสังเกตใหม่นี้เป็นของสปีชีส์ที่เรียกว่า เซโตซา

คุณสามารถค้นหาโค้ด Python แบบเต็มที่ใช้ในบทช่วยสอนนี้ ได้ที่นี่

เพิ่มความคิดเห็น

อีเมลของคุณจะไม่แสดงให้คนอื่นเห็น ช่องข้อมูลจำเป็นถูกทำเครื่องหมาย *