تصنيف العملية الغاوسية (GPC) على مجموعة بيانات iris#

يوضح هذا المثال الاحتمال المتوقع لـ GPC لنواة RBF متناحرة وغير متناحرة على نسخة ثنائية الأبعاد لمجموعة بيانات iris. تحصل نواة RBF غير المتناحرة على احتمال هامشي لوغاريتمي أعلى قليلاً عن طريق تعيين مقاييس طول مختلفة لأبعاد الميزتين.

Isotropic RBF, LML: -48.316, Anisotropic RBF, LML: -47.888
# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

import matplotlib.pyplot as plt
import numpy as np

from sklearn import datasets
from sklearn.gaussian_process import GaussianProcessClassifier
from sklearn.gaussian_process.kernels import RBF

# استيراد بعض البيانات للعمل بها
iris = datasets.load_iris()
X = iris.data[:, :2]  # نأخذ الميزتين الأوليين فقط.
y = np.array(iris.target, dtype=int)

h = 0.02  # حجم الخطوة في الشبكة

kernel = 1.0 * RBF([1.0])
gpc_rbf_isotropic = GaussianProcessClassifier(kernel=kernel).fit(X, y)
kernel = 1.0 * RBF([1.0, 1.0])
gpc_rbf_anisotropic = GaussianProcessClassifier(kernel=kernel).fit(X, y)

# إنشاء شبكة للرسم فيها
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

titles = ["Isotropic RBF", "Anisotropic RBF"]  # عناوين الرسم
plt.figure(figsize=(10, 5))
for i, clf in enumerate((gpc_rbf_isotropic, gpc_rbf_anisotropic)):
    # رسم الاحتمالات المتوقعة. لذلك ، سنقوم بتعيين لون
    # لكل نقطة في الشبكة [x_min, m_max]x[y_min, y_max].
    plt.subplot(1, 2, i + 1)

    Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])

    # وضع النتيجة في مخطط ألوان
    Z = Z.reshape((xx.shape[0], xx.shape[1], 3))
    plt.imshow(Z, extent=(x_min, x_max, y_min, y_max), origin="lower")

    # رسم نقاط التدريب أيضًا
    plt.scatter(X[:, 0], X[:, 1], c=np.array(["r", "g", "b"])[y], edgecolors=(0, 0, 0))
    plt.xlabel("طول الكأسية")  # Sepal length
    plt.ylabel("عرض الكأسية")  # Sepal width
    plt.xlim(xx.min(), xx.max())
    plt.ylim(yy.min(), yy.max())
    plt.xticks(())
    plt.yticks(())
    plt.title(
        "%s, LML: %.3f" % (titles[i], clf.log_marginal_likelihood(clf.kernel_.theta))
    )

plt.tight_layout()
plt.show()

Total running time of the script: (0 minutes 4.662 seconds)

Related examples

تمرين SVM

تمرين SVM

توضيح تصنيف العملية الغاوسية (GPC) على مجموعة بيانات XOR

توضيح تصنيف العملية الغاوسية (GPC) على مجموعة بيانات XOR

حدود القرار للمصنفات شبه المُشرفة مقابل SVM على مجموعة بيانات Iris

حدود القرار للمصنفات شبه المُشرفة مقابل SVM على مجموعة بيانات Iris

تغيير معامل التنظيم في الشبكة العصبية متعددة الطبقات

تغيير معامل التنظيم في الشبكة العصبية متعددة الطبقات

Gallery generated by Sphinx-Gallery