در این مطلب، ویدئو نکات، ترفندها و تکنیکهای یادگیری ماشین پایتون: ماشینهای بردار پشتیبانی|packtpub.com با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:07,830 –> 00:00:10,380
سلام این اولین ویدیو از
2
00:00:10,380 –> 00:00:11,760
بهبود ویژگی بخش با
3
00:00:11,760 –> 00:00:13,709
تکنیک های طبقه بندی غیر خطی است در این
4
00:00:13,709 –> 00:00:15,660
بخش در مورد ماشین های بردار پشتیبان صحبت
5
00:00:15,660 –> 00:00:18,480
خواهیم کرد که KNN را پیاده سازی می کنند و
6
00:00:18,480 –> 00:00:21,240
مجموعه داده درخت تصمیم را به عنوان
7
00:00:21,240 –> 00:00:23,490
مدل پیش بینی بررسی می کند سپس
8
00:00:23,490 –> 00:00:25,050
چند ترفند با ابعاد انجام می دهیم.
9
00:00:25,050 –> 00:00:27,930
روشهای کاهش و سپس
10
00:00:27,930 –> 00:00:30,619
همه را با هم ترکیب میکنیم
11
00:00:31,360 –> 00:00:34,840
در این ویدیو هستههای مختلف SPM را بررسی
12
00:00:34,840 –> 00:00:38,200
میکنیم جریمه اعمال میکنیم ما
13
00:00:38,200 –> 00:00:40,960
با درجه چندجملهای کار خواهیم کرد و مجموعه دادهها
14
00:00:40,960 –> 00:00:43,030
یکسان است مجموعه دادهای با کیفیت شراب است
15
00:00:43,030 –> 00:00:46,239
بیایید به کد خوب برویم شما میتوانید ببینید
16
00:00:46,239 –> 00:00:47,980
من تمام خطوط کد شما را
17
00:00:47,980 –> 00:00:51,879
نوشتهام، کتابخانهها و مجموعه دادهها
18
00:00:51,879 –> 00:00:54,970
را وارد کردهام و آنها را تمیز کردهام و همچنین
19
00:00:54,970 –> 00:00:57,250
برای قسمت قطار و تست تقسیم
20
00:00:57,250 –> 00:00:59,920
کردهام و عملکرد اصلی را با رگرسیون لجستیک بررسی
21
00:00:59,920 –> 00:01:03,390
میکنم. شجاعت این رنگ است.
22
00:01:03,390 –> 00:01:07,060
0.5 1/4 بنابراین فکر میکنم میتوانیم
23
00:01:07,060 –> 00:01:10,000
چیز بهتری ایجاد کنیم، اجازه دهید عملکرد پیشبینی فید خود را
24
00:01:10,000 –> 00:01:13,360
به جای
25
00:01:13,360 –> 00:01:16,420
قبلی بازنویسی کنیم، از ماشین بردار پشتیبانی
26
00:01:16,420 –> 00:01:21,250
که در پایتون SVC است و چه کسی میخواهد استفاده کنیم. لحن
27
00:01:21,250 –> 00:01:23,560
آن را چند پارامتر دارد مثل
28
00:01:23,560 –> 00:01:30,190
هسته با هسته و
29
00:01:30,190 –> 00:01:33,720
درجه برابر درجه است
30
00:01:33,720 –> 00:01:37,680
و نتایج گفت این
31
00:01:37,680 –> 00:01:42,210
پنالتی برابر است با پنالتی و خوب
32
00:01:42,210 –> 00:01:48,630
رعایت کنید شتر است اما پیش فرض خطی است و C
33
00:01:48,630 –> 00:01:52,710
به طور پیش فرض 1 و درجه به طور پیش فرض است.
34
00:01:52,710 –> 00:01:58,080
3 باشه برویم پدر ما میتوانیم هستهمان را پیدا کنیم
35
00:01:58,080 –> 00:02:00,870
، چهار بررسی هسته اصلی
36
00:02:00,870 –> 00:02:03,200
در ماشین بردار پشتیبان وجود دارد،
37
00:02:03,200 –> 00:02:08,720
خوب آن خطی است،
38
00:02:08,720 –> 00:02:13,069
سپس Polly است،
39
00:02:14,530 –> 00:02:22,150
سپس شعاعی است یک RBF و سپس
40
00:02:22,150 –> 00:02:24,380
سیگموئید
41
00:02:24,380 –> 00:02:33,680
خوب است، عالی است، سپس میتوانیم اسکار curacy را
42
00:02:33,680 –> 00:02:36,680
با استفاده از
43
00:02:36,840 –> 00:02:39,710
سلام
44
00:02:39,710 –> 00:02:49,830
و کانال هورنت چاپ کنیم. برابر
45
00:02:49,830 –> 00:02:53,850
این یکی باشه و سپس شما فقط می توانید
46
00:02:53,850 –> 00:03:01,790
تابع پیش بینی فید ما را تست
47
00:03:01,790 –> 00:03:10,890
قطار صدا بزنید چرا آموزش چرا استاندارد اسکالیا را تست کنید خوب است
48
00:03:10,890 –> 00:03:16,130
و شتر
49
00:03:16,450 –> 00:03:20,120
خوب است بیایید آن را اجرا کنیم و اکنون
50
00:03:20,120 –> 00:03:22,670
چهار حل را با کانال های مختلف دریافت خواهی