మెషిన్ లెర్నింగ్ అల్గోరిథంలను పెంచడానికి సమగ్ర గైడ్

హెల్త్‌కేర్, మార్కెటింగ్, బిజినెస్ తదితర రంగాలలో చాలా పురోగతి సాధించడంతో, ఇది మరింత అభివృద్ధి చెందిన మరియు సంక్లిష్టమైన అభివృద్ధి చెందవలసిన అవసరంగా మారింది . మెషిన్ లెర్నింగ్‌ను పెంచడం అనేది సంక్లిష్టమైన, డేటా-ఆధారిత, వాస్తవ-ప్రపంచ సమస్యలను పరిష్కరించడానికి ఉపయోగపడే అటువంటి సాంకేతికత. ఈ బ్లాగ్ పూర్తిగా మెషిన్ లెర్నింగ్‌ను ఎలా పెంచుతుందో మరియు మెషిన్ లెర్నింగ్ మోడళ్ల సామర్థ్యాన్ని పెంచడానికి ఎలా అమలు చేయాలనే దానిపై పూర్తిగా దృష్టి పెట్టింది.

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు మెషిన్ లెర్నింగ్ గురించి లోతైన జ్ఞానం పొందడానికి, మీరు ప్రత్యక్షంగా నమోదు చేసుకోవచ్చు 24/7 మద్దతు మరియు జీవితకాల ప్రాప్యతతో ఎడురేకా చేత.

కవర్ చేయబడే అంశాల జాబితా ఇక్కడ ఉంది ఈ బ్లాగులో:

1. బూస్టింగ్ ఎందుకు ఉపయోగించబడుతుంది?
2. పెంచడం అంటే ఏమిటి?
3. అల్గోరిథం పెంచడం ఎలా పనిచేస్తుంది?
4. బూస్టింగ్ రకాలు
5. డెమో

బూస్టింగ్ ఎందుకు ఉపయోగించబడుతుంది?

మెలికలు తిరిగిన సమస్యలను పరిష్కరించడానికి మాకు మరింత ఆధునిక పద్ధతులు అవసరం. పిల్లులు మరియు కుక్కల చిత్రాలను కలిగి ఉన్న చిత్రాల డేటా సమితిని ఇచ్చినప్పుడు, ఈ చిత్రాలను రెండు వేర్వేరు తరగతులుగా వర్గీకరించగల నమూనాను నిర్మించమని మిమ్మల్ని అడిగారు. ప్రతి ఇతర వ్యక్తిలాగే, మీరు క్రింద ఇచ్చిన విధంగా కొన్ని నియమాలను ఉపయోగించి చిత్రాలను గుర్తించడం ద్వారా ప్రారంభిస్తారు:

1. చిత్రానికి సూటిగా చెవులు ఉన్నాయి: పిల్లి

2. చిత్రానికి పిల్లి ఆకారపు కళ్ళు ఉన్నాయి: పిల్లి

3. చిత్రానికి పెద్ద అవయవాలు ఉన్నాయి: కుక్క

   
   
   

4. చిత్రం పంజాలకు పదును పెట్టింది: పిల్లి

5. చిత్రం విస్తృత నోటి నిర్మాణాన్ని కలిగి ఉంది: కుక్క

ఈ నియమాలన్నీ ఒక చిత్రం కుక్క లేదా పిల్లి కాదా అని గుర్తించడంలో మాకు సహాయపడతాయి, అయినప్పటికీ, మేము ఒక వ్యక్తి (ఒకే) నియమం ఆధారంగా ఒక చిత్రాన్ని వర్గీకరిస్తే, అంచనా లోపభూయిష్టంగా ఉంటుంది. ఈ నియమాలు ప్రతి ఒక్కటి, బలహీనమైన అభ్యాసకులు అని పిలువబడతాయి, ఎందుకంటే ఈ నియమాలు ఒక చిత్రాన్ని పిల్లి లేదా కుక్కగా వర్గీకరించేంత బలంగా లేవు.

అందువల్ల, మా అంచనా మరింత ఖచ్చితమైనదని నిర్ధారించుకోవడానికి, మెజారిటీ నియమం లేదా బరువున్న సగటును ఉపయోగించడం ద్వారా ఈ బలహీనమైన అభ్యాసకుల నుండి వచ్చే అంచనాను మిళితం చేయవచ్చు. ఇది బలమైన అభ్యాస నమూనాను చేస్తుంది.

పై ఉదాహరణలో, మేము 5 బలహీనమైన అభ్యాసకులను నిర్వచించాము మరియు ఈ నియమాలలో ఎక్కువ భాగం (అనగా 5 మంది అభ్యాసకులలో 3 మంది చిత్రాన్ని పిల్లిగా అంచనా వేస్తారు) మాకు అంచనాను ఇస్తుంది చిత్రం పిల్లి అని. కాబట్టి, మా తుది ఉత్పత్తి పిల్లి.

కాబట్టి ఇది మమ్మల్ని ప్రశ్నకు తీసుకువస్తుంది,

పెంచడం అంటే ఏమిటి?

బూస్టింగ్ అనేది సమిష్టి అభ్యాస సాంకేతికత, ఇది మోడల్ యొక్క ఖచ్చితత్వాన్ని పెంచడానికి బలహీనమైన అభ్యాసకుడిని బలమైన అభ్యాసకులుగా మార్చడానికి యంత్ర అభ్యాస అల్గోరిథంల సమితిని ఉపయోగిస్తుంది.

బూస్ట్ అంటే ఏమిటి - మెషిన్ లెర్నింగ్ పెంచడం - ఎడురేకా

నేను చెప్పినట్లుగా బూస్టింగ్ ఒక సమిష్టి అభ్యాస పద్ధతి, కానీ సమిష్టి అభ్యాసం అంటే ఏమిటి?

యంత్ర అభ్యాసంలో సమిష్టి అంటే ఏమిటి?

సమిష్టి అభ్యాసం అనేది అనేక మంది అభ్యాసకులను కలపడం ద్వారా యంత్ర అభ్యాస నమూనా పనితీరును మెరుగుపరచడానికి ఉపయోగించే ఒక పద్ధతి. ఒకే మోడల్‌తో పోల్చినప్పుడు, ఈ రకమైన అభ్యాసం మెరుగైన సామర్థ్యం మరియు ఖచ్చితత్వంతో నమూనాలను నిర్మిస్తుంది. నెట్‌ఫ్లిక్స్ సిఫారసు పోటీ, కాగ్లే పోటీలు వంటి మార్కెట్ ప్రముఖ పోటీలను గెలవడానికి సమిష్టి పద్ధతులను ఉపయోగిస్తారు.

సమిష్టి అభ్యాసం అంటే ఏమిటి - యంత్ర అభ్యాసాన్ని పెంచడం - ఎడురేకా

క్రింద నేను బూస్టింగ్ మరియు బ్యాగింగ్ మధ్య వ్యత్యాసాన్ని కూడా చర్చించాను.

Vs బ్యాగింగ్ పెంచడం

సమిష్టి అభ్యాసం రెండు విధాలుగా చేయవచ్చు:

1. సీక్వెన్షియల్ సమిష్టి, జనాదరణ పొందినది పెంచడం , ఇక్కడ బలహీనమైన అభ్యాసకులు శిక్షణ దశలో వరుసగా ఉత్పత్తి అవుతారు. మునుపటి, తప్పుగా వర్గీకరించబడిన నమూనాలకు అధిక వెయిటేజీని కేటాయించడం ద్వారా మోడల్ పనితీరు మెరుగుపడుతుంది. పెంచడానికి ఉదాహరణ అడాబూస్ట్ అల్గోరిథం.

2. సమాంతర సెట్ , ప్రముఖంగా పిలుస్తారు బ్యాగింగ్ , ఇక్కడ బలహీనమైన అభ్యాసకులు శిక్షణ దశలో సమాంతరంగా ఉత్పత్తి అవుతారు. బూట్స్ట్రాప్ చేసిన డేటా సెట్లలో అనేక బలహీన అభ్యాసకులకు సమాంతరంగా శిక్షణ ఇవ్వడం ద్వారా మోడల్ పనితీరును పెంచవచ్చు. బ్యాగింగ్‌కు ఉదాహరణ రాండమ్ ఫారెస్ట్ అల్గోరిథం.

ఈ బ్లాగులో, నేను బూస్టింగ్ పద్ధతిపై దృష్టి పెడతాను, కాబట్టి దిగువ విభాగంలో బూస్టింగ్ అల్గోరిథం ఎలా పనిచేస్తుందో అర్థం చేసుకుంటాము.

అల్గోరిథం పెంచడం ఎలా పనిచేస్తుంది?

బూస్టింగ్ అల్గోరిథం యొక్క పని వెనుక ఉన్న ప్రాథమిక సూత్రం ఏమిటంటే, బహుళ బలహీనమైన అభ్యాసకులను సృష్టించడం మరియు వారి అంచనాలను మిళితం చేసి ఒక బలమైన నియమాన్ని ఏర్పరుస్తుంది. డేటా సమితి యొక్క విభిన్న పంపిణీలపై బేస్ మెషిన్ లెర్నింగ్ అల్గోరిథంలను వర్తింపజేయడం ద్వారా ఈ బలహీనమైన నియమాలు సృష్టించబడతాయి. ఈ అల్గోరిథంలు ప్రతి పునరావృతానికి బలహీనమైన నియమాలను సృష్టిస్తాయి. బహుళ పునరావృతాల తరువాత, బలహీనమైన అభ్యాసకులు ఒక బలమైన అభ్యాసకుడిని ఏర్పరుస్తారు, అది మరింత ఖచ్చితమైన ఫలితాన్ని అంచనా వేస్తుంది.

అల్గోరిథం పెంచడం ఎలా పని చేస్తుంది - యంత్ర అభ్యాసాన్ని పెంచడం - ఎడురేకా

అల్గోరిథం ఎలా పనిచేస్తుందో ఇక్కడ ఉంది:

దశ 1: బేస్ అల్గోరిథం డేటాను చదువుతుంది మరియు ప్రతి నమూనా పరిశీలనకు సమానమైన బరువును కేటాయిస్తుంది.

దశ 2: బేస్ అభ్యాసకుడు చేసిన తప్పుడు అంచనాలు గుర్తించబడతాయి. తదుపరి పునరావృతంలో, ఈ తప్పుడు అంచనాలపై అధిక వెయిటేజీతో ఈ తప్పుడు అంచనాలు తదుపరి బేస్ అభ్యాసకు కేటాయించబడతాయి.

దశ 3: అల్గోరిథం అవుట్‌పుట్‌ను సరిగ్గా వర్గీకరించే వరకు దశ 2 ను పునరావృతం చేయండి.

అందువల్ల, బూస్టింగ్ యొక్క ప్రధాన లక్ష్యం మిస్-వర్గీకృత అంచనాలపై ఎక్కువ దృష్టి పెట్టడానికి.

బూస్టింగ్ అల్గోరిథం ఎలా పనిచేస్తుందో ఇప్పుడు మనకు తెలుసు, వివిధ రకాల బూస్టింగ్ పద్ధతులను అర్థం చేసుకుందాం.

బూస్టింగ్ రకాలు

బూస్టింగ్ చేయడానికి మూడు ప్రధాన మార్గాలు ఉన్నాయి:

1. అడాప్టివ్ బూస్టింగ్ లేదా అడాబూస్ట్

2. ప్రవణత బూస్టింగ్

3. XGBoost

   జావాలో డేటా నిర్మాణం మరియు అల్గోరిథం

నేను ఈ రకమైన ప్రతి వెనుక ఉన్న ప్రాథమిక విషయాలను చర్చిస్తాను.

అడాప్టివ్ బూస్టింగ్

• అనేక మంది బలహీన అభ్యాసకులను ఒకే బలమైన అభ్యాసకుడిగా కలపడం ద్వారా అడాబూస్ట్ అమలు చేయబడుతుంది.

• అడాబూస్ట్‌లోని బలహీనమైన అభ్యాసకులు ఒకే ఇన్‌పుట్ లక్షణాన్ని పరిగణనలోకి తీసుకుంటారు మరియు డెసిషన్ స్టంప్ అని పిలువబడే ఒకే స్ప్లిట్ డెసిషన్ ట్రీని గీయండి. మొదటి నిర్ణయం స్టంప్‌ను గీసేటప్పుడు ప్రతి పరిశీలన సమానంగా బరువు ఉంటుంది.

• మొదటి నిర్ణయం స్టంప్ నుండి వచ్చిన ఫలితాలు విశ్లేషించబడతాయి మరియు ఏదైనా పరిశీలనలు తప్పుగా వర్గీకరించబడితే, వాటికి అధిక బరువులు కేటాయించబడతాయి.

• దీన్ని పోస్ట్ చేయండి, అధిక బరువులతో పరిశీలనలను మరింత ముఖ్యమైనదిగా పరిగణించడం ద్వారా కొత్త నిర్ణయం స్టంప్ డ్రా అవుతుంది.

• ఏదైనా పరిశీలనలు తప్పుగా వర్గీకరించబడితే, వారికి అధిక బరువు ఇవ్వబడుతుంది మరియు అన్ని పరిశీలనలు సరైన తరగతిలోకి వచ్చే వరకు ఈ ప్రక్రియ కొనసాగుతుంది.

• వర్గీకరణ మరియు రిగ్రెషన్-ఆధారిత సమస్యలకు అడాబూస్ట్ ఉపయోగించవచ్చు, అయినప్పటికీ, ఇది వర్గీకరణ ప్రయోజనం కోసం ఎక్కువగా ఉపయోగించబడుతుంది.

ప్రవణత బూస్టింగ్

గ్రేడియంట్ బూస్టింగ్ కూడా సీక్వెన్షియల్ సమిష్టి అభ్యాసంపై ఆధారపడి ఉంటుంది. ఇక్కడ బేస్ అభ్యాసకులు మునుపటి కంటే ప్రస్తుత బేస్ అభ్యాసకుడు ఎల్లప్పుడూ మరింత ప్రభావవంతంగా ఉండే విధంగా వరుసగా ఉత్పత్తి అవుతారు, అనగా మొత్తం మోడల్ ప్రతి పునరావృతంతో వరుసగా మెరుగుపడుతుంది.

ఈ రకమైన బూస్టింగ్‌లోని వ్యత్యాసం ఏమిటంటే, మిస్‌క్లాసిఫైడ్ ఫలితాల కోసం బరువులు పెంచబడవు, బదులుగా, గ్రేడియంట్ బూస్టింగ్ పద్ధతి మునుపటి అభ్యాసకుడి యొక్క నష్ట పనితీరును ఆప్టిమైజ్ చేయడానికి ప్రయత్నిస్తుంది, కొత్త మోడల్‌ను జోడించి, నష్టాన్ని తగ్గించడానికి బలహీనమైన అభ్యాసకులను జోడిస్తుంది.

మునుపటి అభ్యాసకుల అంచనాలలో లోపాలను అధిగమించడం ఇక్కడ ప్రధాన ఆలోచన. ఈ రకమైన బూస్టింగ్ మూడు ప్రధాన భాగాలను కలిగి ఉంది:

1. నష్టం ఫంక్షన్ అది మెరుగుపరచబడాలి.

2. బలహీనమైన అభ్యాసకుడు అంచనాలను గణించడం మరియు బలమైన అభ్యాసకులను రూపొందించడం కోసం.

3. ఒక సంకలిత మోడల్ అది నష్ట ఫంక్షన్‌ను క్రమబద్ధీకరిస్తుంది.

అడాబూస్ట్ మాదిరిగా, గ్రేడియంట్ బూస్టింగ్ కూడా వర్గీకరణ మరియు రిగ్రెషన్ సమస్యలకు ఉపయోగపడుతుంది.

XGBoost

XGBoost అనేది గ్రేడియంట్ బూస్టింగ్ పద్ధతి యొక్క అధునాతన వెర్షన్, దీని అర్థం ఎక్స్‌ట్రీమ్ గ్రేడియంట్ బూస్టింగ్. టియాంకి చెన్ అభివృద్ధి చేసిన XGBoost, డిస్ట్రిబ్యూటెడ్ మెషిన్ లెర్నింగ్ కమ్యూనిటీ (DMLC) వర్గంలోకి వస్తుంది.

ఈ అల్గోరిథం యొక్క ప్రధాన లక్ష్యం గణన యొక్క వేగం మరియు సామర్థ్యాన్ని పెంచడం. డేటా సమితిని వరుసగా విశ్లేషించినందున గ్రేడియంట్ డీసెంట్ బూస్టింగ్ అల్గోరిథం అవుట్పుట్‌ను నెమ్మదిగా అంచనా వేస్తుంది, కాబట్టి మోడల్ పనితీరును పెంచడానికి లేదా చాలా పెంచడానికి XGBoost ఉపయోగించబడుతుంది.

XGBoost - మెషిన్ లెర్నింగ్ పెంచడం - ఎడురేకా

XGBoost గణన వేగం మరియు మోడల్ సామర్థ్యంపై దృష్టి పెట్టడానికి రూపొందించబడింది. XGBoost అందించిన ప్రధాన లక్షణాలు:

• సమాంతరంగా నిర్ణయం చెట్లను సృష్టిస్తుంది.

• పెద్ద మరియు సంక్లిష్టమైన నమూనాలను అంచనా వేయడానికి పంపిణీ చేయబడిన కంప్యూటింగ్ పద్ధతులను అమలు చేయడం.

• భారీ డేటాసెట్లను విశ్లేషించడానికి అవుట్-ఆఫ్-కోర్ కంప్యూటింగ్‌ను ఉపయోగించడం.

• వనరులను ఉత్తమంగా ఉపయోగించుకోవడానికి కాష్ ఆప్టిమైజేషన్‌ను అమలు చేస్తోంది.

కాబట్టి ఇవి ఉన్నాయివివిధ రకాల బూస్టింగ్ మెషిన్ లెర్నింగ్ అల్గోరిథంలు. విషయాలు ఆసక్తికరంగా చేయడానికి, పైథాన్‌లో బూస్టింగ్ అల్గోరిథంలను ఎలా అమలు చేయవచ్చో చూడటానికి దిగువ విభాగంలో మేము డెమోని నడుపుతాము.

పైథాన్‌లో యంత్ర అభ్యాసాన్ని పెంచడం

ఒక చిన్న నిరాకరణ: నేను ఈ డెమోని అమలు చేయడానికి పైథాన్‌ను ఉపయోగిస్తాను, కాబట్టి మీకు పైథాన్ తెలియకపోతే, మీరు ఈ క్రింది బ్లాగుల ద్వారా వెళ్ళవచ్చు:

2. స్క్రాచ్ నుండి పైథాన్ 3 ఎలా నేర్చుకోవాలి - ఒక బిగినర్స్ గైడ్

ఇప్పుడు మీ చేతులు మురికిగా మరియు కోడింగ్ ప్రారంభించడానికి సమయం ఆసన్నమైంది.

సమస్యల నివేదిక: ఒక పుట్టగొడుగు డేటా సమితిని అధ్యయనం చేయడం మరియు ఒక పుట్టగొడుగును దాని లక్షణాలను విశ్లేషించడం ద్వారా విషపూరితమైనది కాదా అని వర్గీకరించగల యంత్ర అభ్యాస నమూనాను రూపొందించడం.

డేటా సెట్ వివరణ: ఈ డేటా సమితి 23 జాతుల గిల్డ్ పుట్టగొడుగులకు అనుగుణంగా ot హాత్మక నమూనాల వివరణాత్మక వర్ణనను అందిస్తుంది. ప్రతి జాతిని తినదగిన పుట్టగొడుగులు లేదా తినదగిన (విషపూరితమైనవి) గా వర్గీకరించారు.

తర్కం: పుట్టగొడుగు తినదగినదా కాదా అని to హించడానికి బూస్టింగ్ అల్గారిథమ్‌లలో ఒకదాన్ని ఉపయోగించడం ద్వారా యంత్ర అభ్యాస నమూనాను నిర్మించడం.

దశ 1: అవసరమైన ప్యాకేజీలను దిగుమతి చేయండి

sklearn.ensemble దిగుమతి నుండి adleBoostClassifier నుండి sklearn.preprocessing దిగుమతి లేబుల్ఎన్‌కోడర్ నుండి sklearn.tree దిగుమతి DecisionTreeClassifier దిగుమతి పాండాలను pd గా దిగుమతి చేయండి # sklearn.model_selection దిగుమతి రైలు_టెస్ట్_స్ప్లిట్ ఫంక్షన్

దశ 2: డేటా సమితిని దిగుమతి చేయండి

# డేటాసెట్ = pd.read_csv లో లోడ్ చేయండి ('C: //Users//NeelTemp//Desktop//mushroomsdataset.csv')

దశ 3: డేటా ప్రాసెసింగ్

# కాలమ్ పేర్లను నిర్వచించండి dataset.columns = ['లక్ష్యం', 'క్యాప్-ఆకారం', 'క్యాప్-ఉపరితలం', 'క్యాప్-కలర్', 'గాయాలు', 'వాసన', 'గిల్-అటాచ్మెంట్', 'గిల్-స్పేసింగ్ ',' గిల్-సైజ్ ',' గిల్-కలర్ ',' కొమ్మ-ఆకారం ',' కొమ్మ-రూట్ ',' కొమ్మ-ఉపరితలం-పైన-రింగ్ ',' కొమ్మ-ఉపరితలం-దిగువ-రింగ్ ',' కొమ్మ-రంగు -అబోవ్-రింగ్ ',' కొమ్మ-రంగు-దిగువ-రింగ్ ',' వీల్-టైప్ ',' వీల్-కలర్ ',' రింగ్-నంబర్ ',' రింగ్-టైప్ ',' బీజాంశం-ముద్రణ-రంగు ',' జనాభా ',' ఆవాసాలు '] డేటాసెట్ కాలమ్లలోని లేబుల్ కోసం: డేటాసెట్ [లేబుల్] = లేబుల్ ఎన్కోడర్ (). సరిపోయే (డేటాసెట్ [లేబుల్]). రూపాంతరం (డేటాసెట్ [లేబుల్]) # డేటా సెట్ ప్రింట్ (డేటాసెట్.ఇన్ఫో) గురించి సమాచారాన్ని ప్రదర్శించండి. ). నాన్-శూన్య int32 వాసన 8124 శూన్య కాని int32 గిల్-అటాచ్మెంట్ 8124 శూన్య కాని int32 గిల్-అంతరం 8124 శూన్య కాని int32 గిల్-పరిమాణం 8124 శూన్య కాని int32 గిల్-రంగు 8124 శూన్య కాని int32 కొమ్మ-ఆకారం 8124 శూన్య కాని int32 కొమ్మ-రూట్ 8124 శూన్య కాని int32 కొమ్మ-ఉపరితలం-పైన-రింగ్ 8124 శూన్యమైన int32 కొమ్మ-ఉపరితలం-దిగువ-రింగ్ 8124 శూన్యమైన int32 కొమ్మ-రంగు-పైన-రింగ్ 8124 శూన్యత లేని int32 కొమ్మ-రంగు-దిగువ-రింగ్ 8124 శూన్యమైన int32 వీల్- టైప్ 8124 నాన్-శూన్య int32 వీల్-కలర్ 8124 శూన్య కాని int32 రింగ్-నంబర్ 8124 నాన్-శూన్య int32 రింగ్-టైప్ 8124 శూన్య కాని int32 బీజాంశం-ముద్రణ-రంగు 8124 శూన్య కాని int32 జనాభా 8124 శూన్య కాని int32 నివాసం 8124 కానిది శూన్య int32 dtypes: int32 (23) మెమరీ వినియోగం: 793.4 KB

దశ 4: డేటా స్ప్లికింగ్

X = డేటాసెట్.డ్రాప్ (['లక్ష్యం'], అక్షం = 1) Y = డేటాసెట్ ['లక్ష్యం'] X_train, X_test, Y_train, Y_test = train_test_split (X, Y, test_size = 0.3)

దశ 5: మోడల్‌ను రూపొందించండి

model = DecisionTreeClassifier (ప్రమాణం = 'ఎంట్రోపీ', max_depth = 1) AdaBoost = AdaBoostClassifier (base_estimator = model, n_estimators = 400, learning_rate = 1)

పై కోడ్ స్నిప్పెట్‌లో, మేము అడాబూస్ట్ అల్గోరిథంను అమలు చేసాము. ‘అడాబూస్ట్‌క్లాసిఫైయర్’ ఫంక్షన్ మూడు ముఖ్యమైన పారామితులను తీసుకుంటుంది:

• base_estimator: బేస్ ఎస్టిమేటర్ (బలహీనమైన అభ్యాసకుడు) అప్రమేయంగా నిర్ణయం చెట్లు
• n_estimator: ఈ ఫీల్డ్ ఉపయోగించాల్సిన బేస్ అభ్యాసకుల సంఖ్యను నిర్దేశిస్తుంది.
• learning_rate: ఈ ఫీల్డ్ మేము డిఫాల్ట్ విలువకు సెట్ చేసిన అభ్యాస రేటును నిర్దేశిస్తుంది, అనగా 1.

# శిక్షణ డేటాతో మోడల్‌ను సరిపోల్చండి బూస్ట్‌మోడల్ = అడాబూస్ట్.ఫిట్ (X_train, Y_train)

దశ 6: మోడల్ మూల్యాంకనం

# మోడల్ యొక్క ఖచ్చితత్వాన్ని అంచనా వేయండి y_pred = boostmodel.predict (X_test) అంచనాలు = metrics.accuracy_score (Y_test, y_pred) # శాతం ముద్రణలో ఖచ్చితత్వాన్ని లెక్కిస్తోంది ('ఖచ్చితత్వం:', అంచనాలు * 100, '%') ఖచ్చితత్వం ఇది: 100.0%

మేము 100% ఖచ్చితత్వాన్ని అందుకున్నాము, ఇది ఖచ్చితంగా ఉంది!

కాబట్టి దీనితో, మేము ఈ బూస్టింగ్ మెషిన్ లెర్నింగ్ బ్లాగ్ ముగింపుకు వచ్చాము. మీరు మెషీన్ లెర్నింగ్ గురించి మరింత తెలుసుకోవాలనుకుంటే, మీరు ఈ బ్లాగులను చదవవచ్చు:

మీరు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు మెషిన్ లెర్నింగ్‌పై పూర్తి కోర్సు కోసం నమోదు చేయాలనుకుంటే, ఎడురేకాకు ప్రత్యేకంగా క్యూరేటెడ్ ఉంది పర్యవేక్షించబడిన అభ్యాసం, పర్యవేక్షించబడని అభ్యాసం మరియు సహజ భాషా ప్రాసెసింగ్ వంటి సాంకేతికతలలో ఇది మిమ్మల్ని నైపుణ్యం చేస్తుంది. డీప్ లెర్నింగ్, గ్రాఫికల్ మోడల్స్ మరియు రీఇన్‌ఫోర్స్‌మెంట్ లెర్నింగ్ వంటి ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ & మెషిన్ లెర్నింగ్‌లో తాజా పురోగతులు మరియు సాంకేతిక విధానాలపై శిక్షణ ఇందులో ఉంది.