كيف يمكن استخدام مكتبات مثل scikit-learn لتنفيذ تصنيف SVM في Python، وما هي الوظائف الرئيسية المعنية؟

/ / نشرت في الذكاء الاصطناعي, التعلم الآلي EITC/AI/MLP باستخدام Python, دعم شاحنات النقل, دعم تحسين آلة ناقلات, مراجعة الامتحان

تعد أجهزة المتجهات الداعمة (SVM) فئة قوية ومتعددة الاستخدامات من خوارزميات التعلم الآلي الخاضعة للإشراف وفعالة بشكل خاص في مهام التصنيف. توفر المكتبات مثل scikit-learn in Python تطبيقات قوية لـ SVM، مما يجعلها في متناول الممارسين والباحثين على حدٍ سواء. ستوضح هذه الاستجابة كيف يمكن استخدام scikit-learn لتنفيذ تصنيف SVM، مع تفصيل الوظائف الرئيسية المعنية وتقديم أمثلة توضيحية.

مقدمة إلى SVM

تعمل أجهزة المتجهات الداعمة من خلال العثور على المستوى الفائق الذي يفصل البيانات بشكل أفضل إلى فئات مختلفة. في الفضاء ثنائي الأبعاد، يكون هذا المستوى الزائد مجرد خط، ولكن في الأبعاد الأعلى، يصبح مستوى أو مستوى فائقًا. المستوى الفائق الأمثل هو الذي يعمل على تعظيم الهامش بين الفئتين، حيث يتم تعريف الهامش على أنه المسافة بين المستوى الفائق وأقرب نقاط البيانات من أي من الفئتين، والمعروفة باسم متجهات الدعم.

Scikit-Learn وSVM

Scikit-learn هي مكتبة Python قوية للتعلم الآلي توفر أدوات بسيطة وفعالة لاستخراج البيانات وتحليلها. إنه مبني على NumPy وSciPy وmatplotlib. توفر الوحدة `svm` الموجودة في scikit-learn إمكانية تنفيذ خوارزميات SVM.

وظائف رئيسية

1. `svm.SVC`: هذه هي الفئة الرئيسية لتنفيذ التصنيف باستخدام SVM. SVC لتقف على تصنيف ناقلات الدعم.
2. `ملائم`: تستخدم هذه الطريقة لتدريب النموذج على البيانات المعطاة.
3. `توقع`: بمجرد تدريب النموذج، يتم استخدام هذه الطريقة للتنبؤ بتسميات الفئة لبيانات الاختبار المحددة.
4. `النتيجة`: تستخدم هذه الطريقة لتقييم دقة النموذج على بيانات الاختبار.
5. `شبكة البحث CV`: يُستخدم هذا لضبط المعلمات الفائقة للعثور على أفضل المعلمات لنموذج SVM.

تنفيذ تصنيف SVM باستخدام scikit-Learn

دعونا نفكر في الخطوات المتبعة في تنفيذ تصنيف SVM باستخدام scikit-learn.

الخطوة 1: استيراد المكتبات

أولاً، قم باستيراد المكتبات اللازمة:

python
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import classification_report, confusion_matrix
الخطوة 2: تحميل مجموعة البيانات

لأغراض العرض التوضيحي، سنستخدم مجموعة بيانات Iris، وهي مجموعة بيانات معروفة في مجتمع التعلم الآلي:

python
# Load the Iris dataset
iris = datasets.load_iris()
X = iris.data
y = iris.target
الخطوة 3: تقسيم مجموعة البيانات

قم بتقسيم مجموعة البيانات إلى مجموعات تدريب واختبار:

python
# Split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
الخطوة 4: تحجيم الميزة

يعد تحجيم الميزات مهمًا لـ SVM لأنه حساس لمقياس ميزات الإدخال:

python
# Standardize features by removing the mean and scaling to unit variance
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
الخطوة 5: تدريب نموذج SVM

قم بإنشاء مثيل لمصنف SVM وقم بتدريبه على بيانات التدريب:

python
# Create an instance of SVC and fit the data
svc = SVC(kernel='linear', C=1.0)
svc.fit(X_train, y_train)

هنا، استخدمنا نواة خطية وقمنا بتعيين معلمة التنظيم `C` على 1.0. تحدد معلمة kernel نوع المستوى الفائق المستخدم لفصل البيانات. تشمل الحبات الشائعة "الخطي" و"متعدد الحدود" و"rbf" (وظيفة الأساس الشعاعي) و"السيني".

الخطوة الخامسة: عمل التوقعات

استخدم النموذج المدرب لإجراء تنبؤات على بيانات الاختبار:

python
# Predict the class labels for the test set
y_pred = svc.predict(X_test)
الخطوة 7: تقييم النموذج

قم بتقييم أداء النموذج باستخدام مقاييس مثل مصفوفة الارتباك وتقرير التصنيف:

python
# Evaluate the model
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))

توفر مصفوفة الارتباك ملخصًا لنتائج التنبؤ، بينما يتضمن تقرير التصنيف الدقة والاستدعاء ودرجة F1 والدعم لكل فئة.

ضبط المعلمة الفائقة باستخدام GridSearchCV

يعد ضبط المعلمة الفائقة أمرًا ضروريًا لتحسين أداء نموذج SVM. يمكن استخدام GridSearchCV الخاص بـ Scikit-learn لإجراء بحث شامل عبر شبكة معلمات محددة:

python
from sklearn.model_selection import GridSearchCV

# Define the parameter grid
param_grid = {
    'C': [0.1, 1, 10, 100],
    'gamma': [1, 0.1, 0.01, 0.001],
    'kernel': ['rbf']
}

# Create a GridSearchCV instance
grid = GridSearchCV(SVC(), param_grid, refit=True, verbose=2)
grid.fit(X_train, y_train)

# Print the best parameters and the corresponding score
print("Best parameters found: ", grid.best_params_)
print("Best score: ", grid.best_score_)

# Use the best estimator to make predictions
grid_predictions = grid.predict(X_test)

# Evaluate the model with the best parameters
print(confusion_matrix(y_test, grid_predictions))
print(classification_report(y_test, grid_predictions))

في هذا المثال، بحثنا في شبكة من القيم لـ "C" و"gamma" باستخدام نواة RBF. يقوم مثيل `GridSearchCV` بإعادة ملاءمة النموذج بأفضل المعلمات التي تم العثور عليها أثناء البحث.

تصور حدود القرار

للحصول على فهم أفضل لكيفية عمل مصنف SVM، غالبًا ما يكون من المفيد تصور حدود القرار. يكون هذا أكثر وضوحًا في مساحة الميزة ثنائية الأبعاد. فيما يلي مثال باستخدام مجموعة البيانات الاصطناعية:

python
from sklearn.datasets import make_blobs

# Generate a synthetic dataset
X, y = make_blobs(n_samples=100, centers=2, random_state=6)

# Fit the SVM model
svc = SVC(kernel='linear', C=1.0)
svc.fit(X, y)

# Create a mesh to plot the decision boundary
h = .02
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))

# Predict the class for each point in the mesh
Z = svc.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

# Plot the decision boundary
plt.contourf(xx, yy, Z, alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', marker='o')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('SVM Decision Boundary')
plt.show()

ينشئ الكود أعلاه مجموعة بيانات اصطناعية من فئتين، ويناسب نموذج SVM مع نواة خطية، ويصور حدود القرار. يتم استخدام وظيفة "contourf" لرسم حدود القرار، ويوضح المخطط المبعثر نقاط البيانات. يوفر Scikit-learn واجهة شاملة وسهلة الاستخدام لتنفيذ تصنيف SVM في Python. تعد الوظائف الرئيسية مثل `svm.SVC` و`fit` و`predict` و`score` ضرورية لبناء نماذج SVM وتقييمها. يؤدي ضبط المعلمات الفائقة باستخدام "GridSearchCV" إلى تحسين أداء النموذج من خلال العثور على المعلمات المثالية. يمكن أن يوفر تصور حدود القرار رؤى قيمة حول سلوك المصنف. باتباع هذه الخطوات، يمكن تنفيذ تصنيف SVM وتحسينه بشكل فعال باستخدام scikit-learn.

أسئلة وأجوبة أخرى حديثة بخصوص التعلم الآلي EITC/AI/MLP باستخدام Python:

عرض المزيد من الأسئلة والأجوبة في التعلم الآلي EITC/AI/MLP باستخدام Python

المزيد من الأسئلة والأجوبة:

الكلمات المفتاحية هذه: , , , , ,