در این مطلب، ویدئو آموزش پایتون: درخت تصمیم برای رگرسیون 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: 00:04:09
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,889 –> 00:00:04,530
خوش آمدید در این ویدیو شما یاد خواهید گرفت که
2
00:00:04,530 –> 00:00:06,420
چگونه یک درخت تصمیم را برای یک
3
00:00:06,420 –> 00:00:08,940
مسئله روسی آموزش دهید. به یاد بیاورید که در
4
00:00:08,940 –> 00:00:11,220
رگرسیون متغیر هدف
5
00:00:11,220 –> 00:00:14,070
پیوسته است به عبارت دیگر خروجی
6
00:00:14,070 –> 00:00:17,640
مدل شما یک مقدار واقعی است.
7
00:00:17,640 –> 00:00:19,380
8
00:00:19,380 –> 00:00:22,080
9
00:00:22,080 –> 00:00:24,480
مجموعه دادههای مایل خودرو در هر گالن از
10
00:00:24,480 –> 00:00:27,390
مخزن یادگیری ماشین UCI این
11
00:00:27,390 –> 00:00:29,539
مجموعه داده شامل شش ویژگی
12
00:00:29,539 –> 00:00:31,769
مربوط به ویژگیهای
13
00:00:31,769 –> 00:00:34,440
یک خودرو و متغیر هدف پیوسته
14
00:00:34,440 –> 00:00:37,979
با برچسب MPG است که مخفف مایل در
15
00:00:37,979 –> 00:00:41,159
گالن است وظیفه ما پیشبینی
16
00:00:41,159 –> 00:00:43,139
مصرف MPG یک خودرو است. با توجه به این شش
17
00:00:43,139 –> 00:00:46,440
ویژگی برای ساده کردن مشکل در اینجا
18
00:00:46,440 –> 00:00:49,199
، تجزیه و تحلیل تنها به یک
19
00:00:49,199 –> 00:00:50,760
ویژگی مربوط به
20
00:00:50,760 –> 00:00:53,609
جابجایی خودرو محدود می شود، این ویژگی
21
00:00:53,609 –> 00:00:57,869
با این قطب نشان داده می شود، نمودار پراکندگی 2 بعدی
22
00:00:57,869 –> 00:01:00,929
mpg در برابر این قطب نشان می دهد که
23
00:01:00,929 –> 00:01:03,299
مصرف MPG به صورت خطی با جابجایی کاهش نمی یابد.
24
00:01:03,299 –> 00:01:06,780
توجه داشته باشید که
25
00:01:06,780 –> 00:01:09,659
مدل های خطی مانند رگرسیون خطی
26
00:01:09,659 –> 00:01:11,579
نمی توانند چنین روند غیرخطی
27
00:01:11,579 –> 00:01:14,430
را ثبت کنند. ببینید چگونه می توانید یک
28
00:01:14,430 –> 00:01:16,350
درخت تصمیم را با scikit-learn آموزش دهید تا
29
00:01:16,350 –> 00:01:18,439
این مشکل رگرسیونی را حل کند،
30
00:01:18,439 –> 00:01:21,390
توجه داشته باشید که ویژگی ها و برچسب های
31
00:01:21,390 –> 00:01:24,500
Y قبلاً در محیط بارگذاری شده اند،
32
00:01:24,500 –> 00:01:27,570
ابتدا رگرسیور درخت تصمیم را
33
00:01:27,570 –> 00:01:30,299
از SK Learn Tree وارد کنید و
34
00:01:30,299 –> 00:01:32,460
تست کرنش تابع از مدل SK Learn اجرا شود.
35
00:01:32,460 –> 00:01:35,729
انتخاب و میانگین مربع خطا به عنوان MSE
36
00:01:35,729 –> 00:01:40,320
از معیارهای یادگیری SK، سپس
37
00:01:40,320 –> 00:01:44,310
داده ها را به 80% قطار و 20% تست با استفاده از
38
00:01:44,310 –> 00:01:47,460
تقسیم تست قطار تقسیم کنید، اکنون می توانید در Senshi
39
00:01:47,460 –> 00:01:49,890
8 رگرسیور درخت تصمیم را با
40
00:01:49,890 –> 00:01:52,859
حداکثر عمق 4 با تنظیم
41
00:01:52,859 –> 00:01:56,460
پارامتر حداکثر عمق بر روی علاوه بر این، چهار
42
00:01:56,460 –> 00:01:59,369
پارامتر را به معنی برگ نمونه روی
43
00:01:59,369 –> 00:02:02,490
0.1 تنظیم کنید تا شرایط توقفی را اعمال کنید که در
44
00:02:02,490 –> 00:02:04,920
آن هر برگ باید حداقل
45
00:02:04,920 –> 00:02:10,739
10٪ از داده های آموزشی را داشته باشد که