PYTHON4FINANCE Telegram 113
یک مثال ساده از یادگیری ماشین در پایتون

همانطور که پیش از این گفته شد، یادگیری ماشین یکی از جذاب ترین های برنامه نویسی است. یعنی کامپیوتر از فرایندهایی که رخ می دهد یاد بگیرد و بهترین تصمیم را اتخاذ نماید، یعنی چیزی شبیه مغز ما البته با سرعت بیشتر و خطای کمتر . عالیه نه؟!
مثلا فرض کنید تصویر 100 مرد را به رایانه نشان دهیم و بعد از آن رایانه هر کسی را که مشاهده کرد، اگر مردی در آن وجود داشت نشان دهد. یا مثلا بتوان با مشاهده قیمت 100 سهم طی سه ماه، روند افزایشی یا کاهشی سهم ها را پیش بینی کرد.
خب بریم سراغ یک مثال عملی. یکی از بهترین کتابخانه های یادگیری ماشین scikit-learn است. ابتدا آن را نصب می کنیم:
pip install numpy scipy scikit-learn
(اگر دستور فوق را نمی شناسید به پست های اول مراجعه نمایید.)
یک مثال معروف در این رابطه مثال تشخیص نوع گل بر اساس سایز کاسبرگ آن است.(petal_sizeاندازه گلبرگ، flower_type نوع گل)
petal_size flower_type
1 a
2 b
1 a
2 b
3 c
4 d
3 c
2 b
5 a
حالا یک گل جدید با اندازه گلبرگ 2.5 به دست ما رسیده است. می خواهیم نوع آن را تشخیص دهیم. برای این موضوع اعداد نزدیک به 2.5 یعنی 2 و 3 را در نظر می گیریم. تعداد تکرار 2 و 3 به ترتیب 3 بار و 2 بار است، بنابرین احتمال زیاد نوع این گل باید از جنس b باشد.
در مثال زیر از دیتاست نمونه iris با حدود 50 داده فرضی استفاده شده است.
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
from sklearn.model_selection import train_test_split

iris_dataset=load_iris()

X_train, X_test, y_train, y_test = train_test_split(iris_dataset["data"], iris_dataset["target"], random_state=0)

kn = KNeighborsClassifier(n_neighbors=1)
kn.fit(X_train, y_train)

x_new = np.array([[5, 2.9, 1, 0.2]])
prediction = kn.predict(x_new)

print("Predicted target value: {}\n".format(prediction))
print("Predicted feature name: {}\n".format
(iris_dataset["target_names"][prediction]))
print("Test score: {:.2f}".format(kn.score(X_test, y_test)))

از آنجایی که کدهای فوق گویا هستند، توضیح اضافه ای نمی دهم و با تست کردن کدهای فوق نتیجه را مشاهده نمایید.

#یادگیری_ماشین
#پایتون_مالی

پایتون برای مالی در تلگرام
https://www.tgoop.com/joinchat-AAAAAFGMkouqbsb86Vfzug
1



tgoop.com/python4finance/113
Create:
Last Update:

یک مثال ساده از یادگیری ماشین در پایتون

همانطور که پیش از این گفته شد، یادگیری ماشین یکی از جذاب ترین های برنامه نویسی است. یعنی کامپیوتر از فرایندهایی که رخ می دهد یاد بگیرد و بهترین تصمیم را اتخاذ نماید، یعنی چیزی شبیه مغز ما البته با سرعت بیشتر و خطای کمتر . عالیه نه؟!
مثلا فرض کنید تصویر 100 مرد را به رایانه نشان دهیم و بعد از آن رایانه هر کسی را که مشاهده کرد، اگر مردی در آن وجود داشت نشان دهد. یا مثلا بتوان با مشاهده قیمت 100 سهم طی سه ماه، روند افزایشی یا کاهشی سهم ها را پیش بینی کرد.
خب بریم سراغ یک مثال عملی. یکی از بهترین کتابخانه های یادگیری ماشین scikit-learn است. ابتدا آن را نصب می کنیم:
pip install numpy scipy scikit-learn
(اگر دستور فوق را نمی شناسید به پست های اول مراجعه نمایید.)
یک مثال معروف در این رابطه مثال تشخیص نوع گل بر اساس سایز کاسبرگ آن است.(petal_sizeاندازه گلبرگ، flower_type نوع گل)
petal_size flower_type
1 a
2 b
1 a
2 b
3 c
4 d
3 c
2 b
5 a
حالا یک گل جدید با اندازه گلبرگ 2.5 به دست ما رسیده است. می خواهیم نوع آن را تشخیص دهیم. برای این موضوع اعداد نزدیک به 2.5 یعنی 2 و 3 را در نظر می گیریم. تعداد تکرار 2 و 3 به ترتیب 3 بار و 2 بار است، بنابرین احتمال زیاد نوع این گل باید از جنس b باشد.
در مثال زیر از دیتاست نمونه iris با حدود 50 داده فرضی استفاده شده است.
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
from sklearn.model_selection import train_test_split

iris_dataset=load_iris()

X_train, X_test, y_train, y_test = train_test_split(iris_dataset["data"], iris_dataset["target"], random_state=0)

kn = KNeighborsClassifier(n_neighbors=1)
kn.fit(X_train, y_train)

x_new = np.array([[5, 2.9, 1, 0.2]])
prediction = kn.predict(x_new)

print("Predicted target value: {}\n".format(prediction))
print("Predicted feature name: {}\n".format
(iris_dataset["target_names"][prediction]))
print("Test score: {:.2f}".format(kn.score(X_test, y_test)))

از آنجایی که کدهای فوق گویا هستند، توضیح اضافه ای نمی دهم و با تست کردن کدهای فوق نتیجه را مشاهده نمایید.

#یادگیری_ماشین
#پایتون_مالی

پایتون برای مالی در تلگرام
https://www.tgoop.com/joinchat-AAAAAFGMkouqbsb86Vfzug

BY Python4Finance


Share with your friend now:
tgoop.com/python4finance/113

View MORE
Open in Telegram


Telegram News

Date: |

With the sharp downturn in the crypto market, yelling has become a coping mechanism for many crypto traders. This screaming therapy became popular after the surge of Goblintown Ethereum NFTs at the end of May or early June. Here, holders made incoherent groaning sounds in late-night Twitter spaces. They also role-played as urine-loving Goblin creatures. On Tuesday, some local media outlets included Sing Tao Daily cited sources as saying the Hong Kong government was considering restricting access to Telegram. Privacy Commissioner for Personal Data Ada Chung told to the Legislative Council on Monday that government officials, police and lawmakers remain the targets of “doxxing” despite a privacy law amendment last year that criminalised the malicious disclosure of personal information. "Doxxing content is forbidden on Telegram and our moderators routinely remove such content from around the world," said a spokesman for the messaging app, Remi Vaughn. Earlier, crypto enthusiasts had created a self-described “meme app” dubbed “gm” app wherein users would greet each other with “gm” or “good morning” messages. However, in September 2021, the gm app was down after a hacker reportedly gained access to the user data. Unlimited number of subscribers per channel
from us


Telegram Python4Finance
FROM American