در این مطلب، ویدئو پایتون: ساخت ماشین بردار پشتیبانی (SVM) 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.
مدت زمان فیلم: 00:15:21
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,449 –> 00:00:03,550
خوش آمدید Analects برای همه اینها یک
2
00:00:03,550 –> 00:00:06,910
وب سایت کامل است که به تجزیه و تحلیل اختصاص داده شده است.
3
00:00:06,910 –> 00:00:08,530
4
00:00:08,530 –> 00:00:10,720
5
00:00:10,720 –> 00:00:12,700
6
00:00:12,700 –> 00:00:14,559
7
00:00:14,559 –> 00:00:17,230
8
00:00:17,230 –> 00:00:18,820
یا
9
00:00:18,820 –> 00:00:20,500
طبقه بندی یک آیتم به آن تعلق دارد و این
10
00:00:20,500 –> 00:00:21,789
برای هرکسی که تازه وارد این موضوع شده است این
11
00:00:21,789 –> 00:00:23,320
تجزیه و تحلیل پیش بینی کننده برای
12
00:00:23,320 –> 00:00:26,590
پیش بینی طبقه بندی کننده باینری است،
13
00:00:26,590 –> 00:00:27,789
بنابراین می خواهم به پاسخ
14
00:00:27,789 –> 00:00:29,980
های درست/نادرست بله/خیر فکر کنید
15
00:00:29,980 –> 00:00:31,270
که این چیزی است که ما می خواهیم انجام دهیم.
16
00:00:31,270 –> 00:00:33,339
اگر
17
00:00:33,339 –> 00:00:35,729
X دانش آموز در مدرسه پذیرفته شود، تست آزمایشگاهی مثبت یا منفی است،
18
00:00:35,729 –> 00:00:37,719
ما در تئوری خیلی عمیق نمیرویم،
19
00:00:37,719 –> 00:00:39,280
در مورد نحوه
20
00:00:39,280 –> 00:00:41,350
استفاده واقعی از سیستم بیشتر توضیح میدهیم، بنابراین ابتدا این
21
00:00:41,350 –> 00:00:43,449
کار را در پایتون انجام میدهیم. چیزهایی که ابتدا
22
00:00:43,449 –> 00:00:45,159
می خواهید به
23
00:00:45,159 –> 00:00:47,859
مجموعه داده ها دست پیدا کنید من از یک
24
00:00:47,859 –> 00:00:49,329
مجموعه داده در دسترس عموم به نام
25
00:00:49,329 –> 00:00:52,030
مجموعه دیابت Pima Indians استفاده می کنم که در آن به
26
00:00:52,030 –> 00:00:54,429
برخی از متغیرهای زمان بارداری این
27
00:00:54,429 –> 00:00:56,379
نوع چیزها و تعیین اینکه آیا
28
00:00:56,379 –> 00:00:59,709
فرد دیابت دارد یا نه یک
29
00:00:59,709 –> 00:01:03,699
نفر دیابت دارد یا
30
00:01:03,699 –> 00:01:05,560
نه
31
00:01:05,560 –> 00:01:08,230
32
00:01:08,230 –> 00:01:13,150
33
00:01:13,150 –> 00:01:16,270
. به صفحه اصلی که در اینجا پایین می روید،
34
00:01:16,270 –> 00:01:18,660
به دنبال یادگیری ماشین می گردید
35
00:01:18,660 –> 00:01:22,630
نوار اسکرول پایین در اینجا می خواهید
36
00:01:22,630 –> 00:01:25,270
به دستگاه بردار پشتیبانی پایتون بروید
37
00:01:25,270 –> 00:01:28,210
که این همان چیزی است که این دستگاه است، ما
38
00:01:28,210 –> 00:01:31,600
کمی دورتر به پایین اسکرول می کنیم و می
39
00:01:31,600 –> 00:01:33,190
خواهیم به دنبال مجموعه دادهای باشید که
40
00:01:33,190 –> 00:01:34,930
دقیقاً اینجاست Pima Indians هم اکنون میتوانید
41
00:01:34,930 –> 00:01:36,730
ببینید در اینجا همه
42
00:01:36,730 –> 00:01:38,050
مسیر ستونها را شرح میدهد که تعداد دفعات
43
00:01:38,050 –> 00:01:39,610
بارداری غلظت
44
00:01:39,610 –> 00:01:42,580
گلوکز پلاسما دو ساعت
45
00:01:42,580 –> 00:01:45,010
46
00:01:45,010 –> 00:01:46,750
است. ریاضی من قرار نیست
47
00:01:46,750 –> 00:01:48,280
بروم من حتی نمی دانم اینها چیست
48
00:01:48,280 –> 00:01:49,690
بنابراین من نمی خواهم وارد این کار شوم من
49
00:01:49,690 –> 00:01:52,570
دکتر پزشکی نیستم دکترم
50
00:01:52,570 –> 00:01:54,820
در علم داده است بنابراین ما به آنچه می دانم پایبند خواهیم بود
51
00:01:54,820 –> 00:01:57,310
خوب پس وقتی آن را
52
00:01:57,310 –> 00:01:59,380
دانلود کردید، می توانید
53
00:01:59,380 –> 00:02:05,470
اکنون برای من از توزیع پایتون استفاده می کنم
54
00:02:05,470 –> 00:02:09,158
و
55
00:02:09,158 –> 00:02:11,829
این همان عنکبوت است که IDE آنها
56
00:02:11,829 –> 00:02:13,480
ابزار توسعه آنهاست
57
00:02:13,480 –> 00:02:16,930
که من استفاده
58
00:02:16,930 –> 00:02:19,030
59
00:02:19,030 –> 00:02:21,400
می کنم.
60
00:02:21,400 –> 00:02:23,170
61
00:02:23,170 –> 00:02:24,790
اگر برنامه پایتون بسیار توسعه یافته تری دارید یا ادامه دهید، می توانید از هر نسخه ای که می خواهید استفاده کنید،
62
00:02:24,790 –> 00:02:27,280
63
00:02:27,280 –> 00:02:29,739
اما اگر در این زمینه تازه کار هستید،
64
00:02:29,739 –> 00:02:31,269
آناکونداها شکایتی ندارند، جای بدی
65
00:02:31,269 –> 00:02:33,730
برای شروع نیست. بیایید با
66
00:02:33,730 –> 00:02:35,380
کاری که در اینجا انجام میدهم شروع کنیم، اینجا
67
00:02:35,380 –> 00:02:38,230
کتابخانههایی هستند که برای
68
00:02:38,230 –> 00:02:39,670
اجرای این برنامه که من انجام
69
00:02:39,670 –> 00:02:42,720
70
00:02:42,720 –> 00:02:44,950
میدهم به آنها نیاز
71
00:02:44,950 –> 00:02:46,330
دارم. اولین مورد را از SK Learn شروع می کنم
72
00:02:46,330 –> 00:02:49,120
که scikit-learn است که
73
00:02:49,120 –> 00:02:53,019
یک سیستم کتابخانه علم داده یادگیری ماشینی
74
00:02:53,019 –> 00:02:55,120
برای پایتون است که
75
00:02:55,120 –> 00:02:56,590
صفحه آزمایش قطار را وارد می کنم.
76
00:02:56,590 –> 00:02:57,910
77
00:02:57,910 –> 00:03:00,849
SVM از SQL SVC وارداتی ما این خواهد
78
00:03:00,849 –> 00:03:03,970
بود مدل ماشین برداری
79
00:03:03,970 –> 00:03:06,099
که در این مثال برای
80
00:03:06,099 –> 00:03:08,349
معیارهایی که برای وارد کردن معیارهای کامپیوتری
81
00:03:08,349 –> 00:03:10,540
در آن قرار داریم استفاده میکنیم و از Escalera میخواهیم معیارها
82
00:03:10,540 –> 00:03:16,120
و پانداها را قرار دهیم زیرا پانداهای PT مانند
83
00:03:16,120 –> 00:03:20,639
دادههای همهگیر هستند. داده های دستکاری
84
00:03:20,639 –> 00:03:23,500
کنترلر فریم برای پایتون رامین است
85
00:03:23,500 –> 00:03:24,609
اگر با داده ها کار می کنید باید از
86
00:03:24,609 –> 00:03:26,709
پانداها استفاده کنید و من از آنها می خواهم
87
00:03:26,709 –> 00:03:30,430
سیستم عامل را وارد کنند
88
00:03:30,430 –> 00:03:32,500
89
00:03:32,500 –> 00:03:34,630
. کار بر روی یک ماشین ویندوز باعث می شود
90
00:03:34,630 –> 00:03:35,950
که من بدانم اما با هر کسی کار می
91
00:03:35,950 –> 00:03:38,410
کند اولین کاری که می خواهم انجام دهم این است
92
00:03:38,410 –> 00:03:40,480
که این دستور را در اینجا این گروه
93
00:03:40,480 –> 00:03:44,109
از دستورات را اجرا می کنم و ما اینجا را به پایین نگاه می کنیم و
94
00:03:44,109 –> 00:03:47,470
نادیده گرفتن را خواهید دید. بخش اول این
95
00:03:47,470 –> 00:03:48,819
sprite اینجاست که من فقط آنهایی
96
00:03:48,819 –> 00:03:54,280
را که در سیستم عامل هستند اجرا کردم فقط شما از
97
00:03:54,280 –> 00:03:55,989
این مثال می دانید فقط برای اینکه به شما نشان دهم
98
00:03:55,989 –> 00:03:57,430
اینگونه می توانید بروید و می توانید نگاه کنید و
99
00:03:57,430 –> 00:03:58,540
ببینید که دایرکتوری کاری فعلی شما
100
00:03:58,540 –> 00:04:03,220
از آن چیست و همانطور که می بینید
101
00:04:03,220 –> 00:04:05,620
دایرکتوری کاری فعلی من اوه اوه من به تازگی
102
00:04:05,620 –> 00:04:10,530
آن را گم کرده
103
00:04:11,510 –> 00:04:15,709
ام اینجا پایین است سیستم عامل شما را مطلع می کند آیا کاربران
104
00:04:15,709 –> 00:04:18,380
من به نام من هستند، بنابراین فایل من جایی نیست.
105
00:04:18,380 –> 00:04:20,418
من فایل های خود را در اسنادم می شناسم، بنابراین
106
00:04:20,418 –> 00:04:22,940
گام بعدی این است که آن را در یک قاب داده روزانه بارگیری کنم،
107
00:04:22,940 –> 00:04:26,030
فریم داده های من PD خوانده شده
108
00:04:26,030 –> 00:04:30,350
اکسل است و سپس کاربران اسناد نام من
109
00:04:30,350 –> 00:04:33,320
و فایل واضح است. مال شما با
110
00:04:33,320 –> 00:04:34,639
خرید Chinon در رایانه من متفاوت خواهد بود
111
00:04:34,639 –> 00:04:36,740
و سپس آن را
112
00:04:36,740 –> 00:04:38,479
در چارچوب داده آپلود می کنم و سپس آن را سر
113
00:04:38,479 –> 00:04:40,610
می زنم که اولین دو نمونه از
114
00:04:40,610 –> 00:04:42,229
داده ها را به من می دهد تا بتوانم بگویم مطمئن شوید که آن را درست بارگذاری کرده
115
00:04:42,229 –> 00:04:46,550
ام و اجرا خواهیم کرد این و ما
116
00:04:46,550 –> 00:04:49,130
نگاهی به آن می اندازیم و آن اینجا پایین است، بنابراین
117
00:04:49,130 –> 00:04:51,650
می توانید ببینید که فایل بارگذاری شده است، بنابراین اکنون من
118
00:04:51,650 –> 00:04:55,820
پنج ردیف اول از فایل اکسل خود را
119
00:04:55,820 –> 00:04:57,650
دارم، نشان می دهد که تمام داده ها در آنجا هستند،
120
00:04:57,650 –> 00:04:59,090
یعنی من فقط هد را انتخاب می کنم تا
121
00:04:59,090 –> 00:05:00,410
پنج رول اول را انجام دهید زیرا فکر می کنم
122
00:05:00,410 –> 00:05:01,850
مانند هفتصد چیزی اشتباه است
123
00:05:01,850 –> 00:05:04,070
هفتاد و شش یا چیزی که روی
124
00:05:04,070 –> 00:05:05,720
آن از روی صفحه منفجر می شود و هر
125
00:05:05,720 –> 00:05:08,270
چیز دیگری را خوب می بیند، بنابراین قدم بعدی که می خواهم انجام دهم
126
00:05:08,270 –> 00:05:10,820
برای طبقه بندی
127
00:05:10,820 –> 00:05:12,979
آن است. شکل تبر مانند کار کردن
128
00:05:12,979 –> 00:05:15,080
رگرسیون های خطی و چیزهایی که
129
00:05:15,080 –> 00:05:18,229
باید یک برچسب داشته باشیم بنابراین به کلاس نیاز داریم، بنابراین در
130
00:05:18,229 –> 00:05:20,240
مثال ما کلاسی است که اکنون این کلاس
131
00:05:20,240 –> 00:05:22,960
همانطور که قبلا نشان دادم یک و صفر است که
132
00:05:22,960 –> 00:05:25,520
به شما می گوید آیا دیابتی هستید یا نه
133
00:05:25,520 –> 00:05:27,889
این چیزی است که ما به دنبال آن هستیم، بنابراین ما می
134
00:05:27,889 –> 00:05:29,449
خواهیم class برای رفتن به یک متغیر جداگانه
135
00:05:29,449 –> 00:05:31,910
زیرا این روشی است که این سیستمها
136
00:05:31,910 –> 00:05:34,490
کار میکنند، بنابراین ما آن را پاپ میکنیم تا DF pop
137
00:05:34,490 –> 00:05:37,370
چه میکند شما نام
138
00:05:37,370 –> 00:05:39,260
ستونی را که میخواهید قرار دهید، میدانید آن را از
139
00:05:39,260 –> 00:05:40,910
کادر داده حذف کنید و آن را رها کنید.
140
00:05:40,910 –> 00:05:42,139
فقط آن را حذف کنید یا در این مورد
141
00:05:42,139 –> 00:05:44,810
من می خواهم به آن یک متغیر بدهم، من از
142
00:05:44,810 –> 00:05:46,280
متغیر استفاده نکردم، فقط آن را منفجر می کند،
143
00:05:46,280 –> 00:05:49,280
فقط یک کلاس داده را کاملاً حذف می کنید، بنابراین
144
00:05:49,280 –> 00:05:51,260
من در Y قرار می دهم، بنابراین Y اکنون تبدیل می
145
00:05:51,260 –> 00:05:54,560
شود کلاس و سپس X اکنون
146
00:05:54,560 –> 00:05:56,389
باقیمانده قاب داده خواهد بود و اگر
147
00:05:56,389 –> 00:05:58,370
بخواهیم بعد از انجام آن به این نگاه کنیم،
148
00:05:58,370 –> 00:06:10,270
به اینجا می رویم و همانطور که می
149
00:06:10,270 –> 00:06:14,100
بینید، هد سابق را دریافت کردیم که فریم داده
150
00:06:14,100 –> 00:06:17,830
ای بدون کلاس است و این یکی دیگر است.
151
00:06:17,830 –> 00:06:19,240
به عنوان مثال اینجا درست است زیرا من
152
00:06:19,240 –> 00:06:21,160
چاپ نکردم بنابراین در اینجا فقط سر سفید
153
00:06:21,160 –> 00:06:28,030
را به تنهایی اجرا می کنم تا بتوانید و و و را ببینید
154
00:06:28,030 –> 00:06:30,760
این فقط Y را به شما می دهد و اکنون
155
00:06:30,760 –> 00:06:33,280
خواهید دید که Y من چیزی بیش
156
00:06:33,280 –> 00:06:37,810
از متغیر کلاس نیست، بنابراین بسیار خوب است، بنابراین
157
00:06:37,810 –> 00:06:40,300
اکنون ما راه اندازی شده ایم، داده ها را
158
00:06:40,300 –> 00:06:41,410
در X&Y قرار
159
00:06:41,410 –> 00:06:42,970
داده ایم، بنابراین اکنون آماده هستیم تا به سمت متغیر کلاس حرکت کنیم.
160
00:06:42,970 –> 00:06:45,070
مرحله بعدی و آن انجام یک تقسیم آزمایشی قطار
161
00:06:45,070 –> 00:06:48,100
از دادههایمان است که چرا این کار را انجام میدهیم،
162
00:06:48,100 –> 00:06:50,650
میخواهیم دادههایی را که نمیخواهیم تقسیم کنیم
163
00:06:50,650 –> 00:06:52,870
اگر همه دادهها را از طریق مدل اجرا کنیم
164
00:06:52,870 –> 00:06:54,700
و به آن بگوییم اگر فقط دادهها را پیشبینی کنیم.
165
00:06:54,700 –> 00:06:56,560
به خوبی به آن نگاه کردم، در
166
00:06:56,560 –> 00:06:58,150
حال حاضر همه این دادهها دیده شده است،
167
00:06:58,150 –> 00:06:59,950
دقیقاً میداند چیست، اما میخواهیم
168
00:06:59,950 –> 00:07:01,870
انجام دهیم این است که میخواهیم بخشی از
169
00:07:01,870 –> 00:07:04,300
دادهها را از طریق مدل تغذیه کنیم تا بسازیم و
170
00:07:04,300 –> 00:07:06,040
آن آموزش برای ایجاد مدل و سپس
171
00:07:06,040 –> 00:07:07,210
ما باقی ماندهای را که
172
00:07:07,210 –> 00:07:08,350
نگه داشتیم میگیریم و آن را
173
00:07:08,350 –> 00:07:09,850
روی مدل اجرا میکنیم تا ببینیم مدل چقدر
174
00:07:09,850 –> 00:07:12,130
در پیشبینی چیزها خوب است، زیرا اکنون
175
00:07:12,130 –> 00:07:14,860
یک مجموعه آزمایشی داریم که
176
00:07:14,860 –> 00:07:16,450
پاسخهای صحیح آن را میدانیم تا بتوانیم آن را
177
00:07:16,450 –> 00:07:18,130
از طریق آن اجرا کنید، پیشبینیهای خود را دریافت کنید، سپس
178
00:07:18,130 –> 00:07:19,570
با پاسخهای صحیح مقایسه
179
00:07:19,570 –> 00:07:22,540
کنید، بنابراین به همین دلیل است که ما تقسیم میکنیم تا
180
00:07:22,540 –> 00:07:24,220
ما مطمئن میشویم که هرچه شماره یک
181
00:07:24,220 –> 00:07:25,690
را بیش از حد برازش نمیدهیم،
182
00:07:25,690 –> 00:07:27,280
قبلاً همه چیز را ندیده است و شماره دو را ندیده است،
183
00:07:27,280 –> 00:07:30,280
بنابراین میتوانیم آن را تقسیم کنیم، بنابراین
184
00:07:30,280 –> 00:07:32,260
کد این کار را اکنون انجام میدهیم، شما میتوانید
185
00:07:32,260 –> 00:07:35,020
هرکسی را که فقط در ذهن دارم نام ببرید. من X
186
00:07:35,020 –> 00:07:37,000
و Y دارم، بنابراین باران بعدی را ایجاد می کنم و X
187
00:07:37,000 –> 00:07:39,850
تست باران سفید Y را با استفاده از
188
00:07:39,850 –> 00:07:42,910
دستور تقسیم قطار تست Tres که می
189
00:07:42,910 –> 00:07:45,580
بینید از سیستم مدل SK است که
190
00:07:45,580 –> 00:07:50,740
در X قرار داده شده در تست Y شما اندازه 0.3