زبان سلام
ویرایشگر آنلاین

کتابخانه‌ی استاندارد · هوش مصنوعی

یادگیری ماشین ai.ml

یادگیری ماشین کلاسیک: پیش‌پردازش، رگرسیون، دسته‌بندی، درخت، خوشه‌بندی و ارزیابی.

واردسازی هوش مصنوعی.یادگیری ماشین

نام آرگومان‌ها شناسه‌ی خود کد است و معادل فارسی ندارد؛ گونه‌ها، کلیدواژه‌ها و نام بسته‌ها با معادل فارسی نوشته می‌شوند.

در این صفحه
  1. روال معمول: تقسیم، مقیاس، برازش، سنجش
  2. پیش‌بینی یک عدد: رگرسیون خطی
  3. مقایسه‌ی مدل‌ها با اعتبارسنجی متقاطع
  4. پیدا کردن گروه‌ها بدون برچسب: کی‌میانگین
  5. دسته‌بندی متن: یک پالایه‌ی کوچک هرزنامه
  6. گونه‌ها
  7. پایاها و متغیرها
  8. تابع‌ها

این بسته الگوریتم‌های کلاسیک یادگیری ماشین را با رابطی شبیه scikit-learn می‌دهد. داده یک ماتریس است که هر سطرش یک نمونه و هر ستونش یک ویژگی است و برچسب‌ها ماتریسی تک‌ستونی‌اند. هر مدل یک ساختار است: آن را با پارامترها بسازید، با برازش آموزش دهید و با پیش‌بینی به کار ببرید.

پیش از آموزش، داده را با مقیاس‌گر استاندارد و جایگذار ساده آماده و با تقسیم آموزش‌آزمون جدا کنید؛ پس از آن مدل را با معیارهایی مثل دقت، اف یک و ضریب تعیین بسنجید و پارامترها را با جستجوی شبکه‌ای انتخاب کنید. برای شبکه‌ی عصبی شبکه عصبی را ببینید و برای مدلی که در پایتون آموزش دیده onnx را.

اشتباه‌های رایج

  • برچسب‌ها یک ماتریس تک‌ستونی از عددها هستند. برای دسته‌ها از ۰، ۱، ۲ و مانند آن استفاده کنید؛ نام دسته‌ها را خودتان به عدد نگاشت کنید و این نگاشت را نگه دارید.
  • ورودی بد برنامه را متوقف نمی‌کند. برازش وقتی شکل‌ها جور نباشند نادرست برمی‌گرداند (و ok مدل نادرست می‌ماند) و تقسیم آموزش‌آزمون وقتی شمار سطرهای x و y فرق کند ماتریس‌های تهی برمی‌گرداند. پیش از ادامه بسنجید.
  • مقیاس‌گر، جایگذار و کدگذار را فقط روی سطرهای آموزش برازش کنید و بعد همان شیء برازش‌شده را روی سطرهای آزمون و داده‌ی تازه به کار ببرید.
  • مدل‌ها و نتیجه‌ها صاحب ماتریس‌اند. در برنامه‌هایی که مدت طولانی اجرا می‌شوند، مدل‌ها و نتیجه‌هایی را که کارشان تمام شده با آزادسازی رها کنید.
  • بخش‌های تصادفی (تقسیم، جنگل، نقطه‌ی شروع k-means) یک seed می‌گیرند تا اجرا دقیقا تکرارپذیر باشد. با عوض کردن آن ببینید نتیجه چقدر به شانس وابسته است.

روال معمول: تقسیم، مقیاس، برازش، سنجش

همه‌ی مدل‌های بانظارت همین گام‌ها را دارند. بخشی از داده را با تقسیم آموزش‌آزمون کنار بگذارید تا مدل روی نمونه‌هایی سنجیده شود که هرگز ندیده است. مقیاس‌گر را فقط روی بخش آموزش برازش کنید و همان مقیاس‌گر را روی بخش آزمون و هر نمونه‌ی تازه به کار ببرید؛ برازش آن روی همه‌ی داده، اطلاعات مجموعه‌ی آزمون را به مدل نشت می‌دهد. بعد برازش، پیش‌بینی و سنجش. ماتریس درهم‌ریختگی نشان می‌دهد کدام دسته‌ها با هم قاطی می‌شوند و پیش‌بینی احتمال به جای جواب قطعی یک احتمال می‌دهد.

ml-guide-workflow.salam
واردسازی هوش مصنوعی.یادگیری ماشین
واردسازی ماتریس

تابع بساز(سطرها: صحیح، ستون‌ها: صحیح، عددها: رشته): ماتریس.ماتریس:
    ناپایا داده := وکتور {} برگردان وکتور<اعشار۶۴>
    هر عدد در عددها.بشکاف(" "):
        داده.بیفزا(عدد.به اعشار())
    پایان
    برگشت ماتریس.از آرایه(سطرها، ستون‌ها، داده)
پایان

تابع ریشه:
    ناپایا ساعت‌ها := بساز(۱۲، ۲، "1 4 2 5 2 8 3 6 3 9 4 5 5 7 6 8 7 6 8 7 9 8 10 7")
    ناپایا قبولی := بساز(۱۲، ۱، "0 0 0 0 1 0 1 1 1 1 1 1")

    ناپایا تقسیم := یادگیری ماشین.تقسیم آموزش‌آزمون(ساعت‌ها، قبولی، ۰.۲۵، ۲)
    دیرکن تقسیم.آزادسازی()
    سرچاپ "آموزش"، ماتریس.رشته شکل(تقسیم.ویژگی‌های آموزش)، "آزمون"، ماتریس.رشته شکل(تقسیم.ویژگی‌های آزمون)

    ناپایا مقیاس‌گر := یادگیری ماشین.مقیاس‌گر استاندارد {}
    دیرکن مقیاس‌گر.آزادسازی()
    ناپایا آموزش := مقیاس‌گر.برازش سپس تبدیل(تقسیم.ویژگی‌های آموزش)
    ناپایا آزمون := مقیاس‌گر.تبدیل(تقسیم.ویژگی‌های آزمون)

    ناپایا مدل := یادگیری ماشین.رگرسیون لجستیک { بیشترین دور = 2000 }
    دیرکن مدل.آزادسازی()
    سرچاپ "آموزش دید"، مدل.برازش(آموزش، تقسیم.برچسب‌های آموزش)
    ناپایا پیش‌بینی := مدل.پیش‌بینی(آزمون)
    سرچاپ "دقت"، یادگیری ماشین.دقت(تقسیم.برچسب‌های آزمون، پیش‌بینی)
    سرچاپ "ماتریس درهم‌ریختگی"، ماتریس.به بازنمایی(یادگیری ماشین.ماتریس درهم‌ریختگی(تقسیم.برچسب‌های آزمون، پیش‌بینی، ۲)، ۰)

    ناپایا دانشجو := مقیاس‌گر.تبدیل(بساز(۱، ۲، "6 6"))
    احتمال := مدل.پیش‌بینی احتمال(دانشجو)
    سرچاپ "شانس قبولی"، ماتریس.به رشته با دقت(ماتریس.پرشده(۱، ۱، احتمال.عنصر(۰، ۱))، ۲)
پایان
خروجیآموزش 9x2 آزمون 3x2 آموزش دید true دقت 1 ماتریس درهم‌ریختگی [2,0; 0,1] شانس قبولی 0.95

آرگومان چهارم تقسیم آموزش‌آزمون بذر است، پس تقسیم در هر اجرا یکسان است. با دوازده نمونه، مجموعه‌ی آزمون سه نمونه دارد که برای اعتماد به دقت خیلی کم است؛ بخش‌های بعد راه‌های بهتری برای سنجیدن مدل نشان می‌دهند.

پیش‌بینی یک عدد: رگرسیون خطی

وقتی هدف یک کمیت است، مثل قیمت، یک رگرسیون‌گر به کار ببرید. پس از برازش، coef برای هر ویژگی یک وزن و intercept مقدار پایه را نگه می‌دارد، پس مدل را مستقیم می‌شود خواند: این‌جا هر متر مربع حدود ۲ اضافه می‌کند و هر سال عمر حدود ۱.۴ کم. ضریب تعیین و ریشه میانگین مربعات خطا برازش را می‌سنجند؛ دومی هم‌واحد با هدف است.

ml-guide-prices.salam
واردسازی هوش مصنوعی.یادگیری ماشین
واردسازی ماتریس

تابع بساز(سطرها: صحیح، ستون‌ها: صحیح، عددها: رشته): ماتریس.ماتریس:
    ناپایا داده := وکتور {} برگردان وکتور<اعشار۶۴>
    هر عدد در عددها.بشکاف(" "):
        داده.بیفزا(عدد.به اعشار())
    پایان
    برگشت ماتریس.از آرایه(سطرها، ستون‌ها، داده)
پایان

تابع یک رقم(عدد: اعشار۶۴): رشته:
    برگشت ماتریس.به رشته با دقت(ماتریس.پرشده(۱، ۱، عدد)، ۱)
پایان

تابع ریشه:
    ناپایا خانه‌ها := بساز(۸، ۳، "50 1 20 65 2 15 80 2 10 90 3 30 100 3 5 120 4 12 140 4 3 160 5 8")
    ناپایا قیمت := بساز(۸، ۱، "105 140 178 172 228 260 312 344")

    ناپایا مدل := یادگیری ماشین.رگرسیون خطی {}
    دیرکن مدل.آزادسازی()
    سرچاپ "برازش شد"، مدل.برازش(خانه‌ها، قیمت)
    سرچاپ "هر متر"، یک رقم(مدل.ضریب‌ها.عنصر(۰، ۰))، "هر اتاق"، یک رقم(مدل.ضریب‌ها.عنصر(۱، ۰))، "هر سال عمر"، یک رقم(مدل.ضریب‌ها.عنصر(۲، ۰))
    سرچاپ "پایه"، یک رقم(مدل.عرض از مبدأ)

    ناپایا پیش‌بینی := مدل.پیش‌بینی(خانه‌ها)
    سرچاپ "R2"، ماتریس.به رشته با دقت(ماتریس.پرشده(۱، ۱، یادگیری ماشین.ضریب تعیین(قیمت، پیش‌بینی))، ۳)، "RMSE"، یک رقم(یادگیری ماشین.ریشه میانگین مربعات خطا(قیمت، پیش‌بینی))

    ناپایا پیشنهاد := مدل.پیش‌بینی(بساز(۲، ۳، "110 3 10 70 2 25"))
    سرچاپ "۱۱۰ متر، ۳ اتاق، ۱۰ سال:"، یک رقم(پیشنهاد.عنصر(۰، ۰))
    سرچاپ "۷۰ متر، ۲ اتاق، ۲۵ سال:"، یک رقم(پیشنهاد.عنصر(۱، ۰))
پایان
خروجیبرازش شد true هر متر 2.0 هر اتاق 0.7 هر سال عمر -1.4 پایه 30.2 R2 1.000 RMSE 1.2 ۱۱۰ متر، ۳ اتاق، ۱۰ سال: 240.3 ۷۰ متر، ۲ اتاق، ۲۵ سال: 137.9

مقایسه‌ی مدل‌ها با اعتبارسنجی متقاطع

یک تقسیم می‌تواند خوش‌شانس یا بدشانس باشد. کی برش طبقه‌ای داده را به برش‌هایی می‌بُرد که هر کدام سهم هر دسته را نگه می‌دارند، و امتیاز اعتبارسنجی متقاطع هر بار روی همه‌ی برش‌ها جز یکی آموزش می‌دهد و روی همان یکی می‌آزماید، برای همه‌ی برش‌ها به نوبت. مدل را به شکل تابعی می‌گیرد که آموزش می‌دهد و پیش‌بینی می‌کند، پس هر مدلی جا می‌شود، و سنجه را به شکل تابعی دیگر. میانگین امتیاز میانگین برش‌ها را می‌دهد.

ml-guide-compare.salam
واردسازی هوش مصنوعی.یادگیری ماشین
واردسازی ماتریس

تابع بساز(سطرها: صحیح، ستون‌ها: صحیح، عددها: رشته): ماتریس.ماتریس:
    ناپایا داده := وکتور {} برگردان وکتور<اعشار۶۴>
    هر عدد در عددها.بشکاف(" "):
        داده.بیفزا(عدد.به اعشار())
    پایان
    برگشت ماتریس.از آرایه(سطرها، ستون‌ها، داده)
پایان

تابع پیش‌بینی همسایه(آموزش &: ماتریس.ماتریس، برچسب ها &: ماتریس.ماتریس، آزمون &: ماتریس.ماتریس): ماتریس.ماتریس:
    ناپایا مدل := یادگیری ماشین.دسته‌بند نزدیک‌ترین همسایه { شمار همسایه‌ها = 3 }
    _ := مدل.برازش(آموزش، برچسب‌ها)
    پیش‌بینی := مدل.پیش‌بینی(آزمون)
    مدل.آزادسازی()
    برگشت پیش‌بینی
پایان

تابع پیش‌بینی درخت(آموزش &: ماتریس.ماتریس، برچسب ها &: ماتریس.ماتریس، آزمون &: ماتریس.ماتریس): ماتریس.ماتریس:
    ناپایا مدل := یادگیری ماشین.درخت تصمیم { بیشترین عمق = 2 }
    _ := مدل.برازش(آموزش، برچسب‌ها)
    پیش‌بینی := مدل.پیش‌بینی(آزمون)
    مدل.آزادسازی()
    برگشت پیش‌بینی
پایان

تابع پیش‌بینی بیز(آموزش &: ماتریس.ماتریس، برچسب ها &: ماتریس.ماتریس، آزمون &: ماتریس.ماتریس): ماتریس.ماتریس:
    ناپایا مدل := یادگیری ماشین.بیز ساده گاوسی {}
    _ := مدل.برازش(آموزش، برچسب‌ها)
    پیش‌بینی := مدل.پیش‌بینی(آزمون)
    مدل.آزادسازی()
    برگشت پیش‌بینی
پایان

تابع ریشه:
    ناپایا گل‌ها := بساز(۱۵، ۲، "1.4 0.2 1.3 0.2 1.5 0.3 1.7 0.4 1.4 0.3 4.5 1.5 4.0 1.3 4.7 1.4 3.9 1.2 4.4 1.4 5.8 2.2 6.1 2.5 5.1 1.9 5.6 2.1 5.0 1.7")
    ناپایا دسته := بساز(۱۵، ۱، "0 0 0 0 0 1 1 1 1 1 2 2 2 2 2")
    ناپایا برش‌ها := یادگیری ماشین.کی برش طبقه‌ای(دسته، ۵، ۳)
    دیرکن برش‌ها.آزادسازی()
    سنجه := (الف_in: ماتریس.ماتریس، ب_in: ماتریس.ماتریس): ناپایا ب := ب_in ناپایا الف := الف_in برگشت یادگیری ماشین.دقت(الف، ب) پایان

    ناپایا همسایه := یادگیری ماشین.امتیاز اعتبارسنجی متقاطع((الف_in: ماتریس.ماتریس، ب_in: ماتریس.ماتریس، ج_in: ماتریس.ماتریس): ناپایا ب := ب_in ناپایا ج := ج_in ناپایا الف := الف_in برگشت پیش‌بینی همسایه(الف، ب، ج) پایان، سنجه، گل‌ها، دسته، برش‌ها)
    ناپایا درخت := یادگیری ماشین.امتیاز اعتبارسنجی متقاطع((الف_in: ماتریس.ماتریس، ب_in: ماتریس.ماتریس، ج_in: ماتریس.ماتریس): ناپایا ب := ب_in ناپایا ج := ج_in ناپایا الف := الف_in برگشت پیش‌بینی درخت(الف، ب، ج) پایان، سنجه، گل‌ها، دسته، برش‌ها)
    ناپایا بیز := یادگیری ماشین.امتیاز اعتبارسنجی متقاطع((الف_in: ماتریس.ماتریس، ب_in: ماتریس.ماتریس، ج_in: ماتریس.ماتریس): ناپایا ب := ب_in ناپایا ج := ج_in ناپایا الف := الف_in برگشت پیش‌بینی بیز(الف، ب، ج) پایان، سنجه، گل‌ها، دسته، برش‌ها)
    سرچاپ "تعداد برش‌ها"، برش‌ها.شمار()
    سرچاپ "نزدیک‌ترین همسایه‌ها"، یادگیری ماشین.میانگین امتیاز(همسایه)
    سرچاپ "درخت تصمیم"، یادگیری ماشین.میانگین امتیاز(درخت)
    سرچاپ "بیز ساده"، یادگیری ماشین.میانگین امتیاز(بیز)
پایان
خروجیتعداد برش‌ها 5 نزدیک‌ترین همسایه‌ها 0.9333333333333332 درخت تصمیم 1 بیز ساده 1

پیدا کردن گروه‌ها بدون برچسب: کی‌میانگین

خوشه‌بندی برچسب لازم ندارد: کی میانگین نمونه‌ها را در k گروه از مقدارهای شبیه می‌گذارد. اول مقیاس کنید، وگرنه ویژگی‌ای که عددهای بزرگ‌تری دارد (این‌جا خرید) همه چیز را تعیین می‌کند. امتیاز سایه‌نما نزدیک ۱ یعنی گروه‌ها خوب از هم جدا شده‌اند. مرکزها در واحد مقیاس‌شده‌اند، پس تبدیل معکوس آن‌ها را به تعداد مراجعه و مبلغ خرید برمی‌گرداند تا بشود توصیفشان کرد.

ml-guide-segments.salam
واردسازی هوش مصنوعی.یادگیری ماشین
واردسازی ماتریس

تابع بساز(سطرها: صحیح، ستون‌ها: صحیح، عددها: رشته): ماتریس.ماتریس:
    ناپایا داده := وکتور {} برگردان وکتور<اعشار۶۴>
    هر عدد در عددها.بشکاف(" "):
        داده.بیفزا(عدد.به اعشار())
    پایان
    برگشت ماتریس.از آرایه(سطرها، ستون‌ها، داده)
پایان

تابع ریشه:
    ناپایا مشتریان := بساز(۱۰، ۲، "2 15 3 20 1 10 2 12 12 30 14 35 11 28 4 210 5 250 3 190")

    ناپایا مقیاس‌گر := یادگیری ماشین.مقیاس‌گر استاندارد {}
    دیرکن مقیاس‌گر.آزادسازی()
    ناپایا مقیاس‌شده := مقیاس‌گر.برازش سپس تبدیل(مشتریان)

    ناپایا خوشه‌بند := یادگیری ماشین.کی میانگین { شمار خوشه‌ها = 3، بذر = 5 }
    دیرکن خوشه‌بند.آزادسازی()
    ناپایا برچسب‌ها := خوشه‌بند.برازش سپس پیش‌بینی(مقیاس‌شده)
    سرچاپ "امتیاز سایه‌نما"، ماتریس.به رشته با دقت(ماتریس.پرشده(۱، ۱، یادگیری ماشین.امتیاز سایه‌نما(مقیاس‌شده، برچسب‌ها))، ۲)

    ناپایا مرکزها := مقیاس‌گر.تبدیل معکوس(خوشه‌بند.مرکزها)
    تکرار ۳ در خ:
        ناپایا اعضا := ۰
        تکرار برچسب‌ها.سطرها در ی:
            اگر برچسب‌ها.عنصر(ی، ۰) برگردان صحیح برابر خ: اعضا++ پایان
        پایان
        سرچاپ "گروه"، خ، "مشتری"، اعضا، "مراجعه"، ماتریس.به رشته با دقت(ماتریس.پرشده(۱، ۱، مرکزها.عنصر(خ، ۰))، ۱)، "خرید"، ماتریس.به رشته با دقت(ماتریس.پرشده(۱، ۱، مرکزها.عنصر(خ، ۱))، ۱)
    پایان

    ناپایا تازه := مقیاس‌گر.تبدیل(بساز(۱، ۲، "13 32"))
    سرچاپ "مشتری تازه به گروه"، خوشه‌بند.پیش‌بینی(تازه).عنصر(۰، ۰) برگردان صحیح، "می‌رود"
پایان
خروجیامتیاز سایه‌نما 0.83 گروه 0 مشتری 4 مراجعه 2.0 خرید 14.3 گروه 1 مشتری 3 مراجعه 4.0 خرید 216.7 گروه 2 مشتری 3 مراجعه 12.3 خرید 31.0 مشتری تازه به گروه 2 می‌رود

دسته‌بندی متن: یک پالایه‌ی کوچک هرزنامه

متن اول باید به عدد تبدیل شود. ساده‌ترین راه ماتریس شمارش است: یک سطر برای هر پیام، یک ستون برای هر واژه‌ی واژگان، و در آن تعداد دفعه‌هایی که آن واژه آمده. بیز ساده چندجمله‌ای برای همین شمارش‌ها ساخته شده و در یک گذر آموزش می‌بیند. alpha شمارش‌ها را هموار می‌کند تا واژه‌ای که در یک دسته دیده نشده، آن دسته را یکسره کنار نگذارد.

ml-guide-spam.salam
واردسازی هوش مصنوعی.یادگیری ماشین
واردسازی ماتریس

تابع شمارش واژه‌ها(پیام‌ها: وکتور<رشته>، واژگان: وکتور<رشته>): ماتریس.ماتریس:
    ناپایا م := ماتریس.صفرها(پیام‌ها.طول()، واژگان.طول())
    هر ی، متن در پیام‌ها:
        هر واژه در متن.بشکاف(" "):
            هر ج، شناخته در واژگان:
                اگر واژه برابر شناخته: م.تنظیم(ی، ج، م.عنصر(ی، ج) + ۱.۰) پایان
            پایان
        پایان
    پایان
    برگشت م
پایان

تابع ریشه:
    ناپایا واژگان := وکتور {} برگردان وکتور<رشته>
    دیرکن واژگان.آزادکن()
    هر واژه در ["رایگان"، "برنده"، "جایزه"، "فوری"، "جلسه"، "ناهار"، "گزارش"، "فردا"]: واژگان.بیفزا(واژه) پایان

    ناپایا آموزشی := وکتور {} برگردان وکتور<رشته>
    دیرکن آموزشی.آزادکن()
    هر م در ["برنده‌ی جایزه رایگان فوری"، "جایزه رایگان فوری"، "برنده فوری برنده"، "جلسه فردا"، "ناهار فردا"، "گزارش برای جلسه"]: آموزشی.بیفزا(م) پایان
    ناپایا نشان‌ها := وکتور {} برگردان وکتور<اعشار۶۴>
    هر ن در [۱.۰، ۱.۰، ۱.۰، ۰.۰، ۰.۰، ۰.۰]: نشان‌ها.بیفزا(ن) پایان
    ناپایا برچسب‌ها := ماتریس.از آرایه(۶، ۱، نشان‌ها)

    ناپایا مدل := یادگیری ماشین.بیز ساده چندجمله‌ای { ضریب هموارسازی = 1.0 }
    دیرکن مدل.آزادسازی()
    ناپایا داده := شمارش واژه‌ها(آموزشی، واژگان)
    سرچاپ "آموزش دید"، مدل.برازش(داده، برچسب‌ها)

    ناپایا صندوق := وکتور {} برگردان وکتور<رشته>
    دیرکن صندوق.آزادکن()
    هر م در ["ناهار رایگان فردا"، "شما برنده جایزه شدید"، "گزارش را فردا بفرست"]: صندوق.بیفزا(م) پایان
    ناپایا پیش‌بینی := مدل.پیش‌بینی(شمارش واژه‌ها(صندوق، واژگان))
    هر ی، متن در صندوق:
        ناپایا رأی := "صندوق"
        اگر پیش‌بینی.عنصر(ی، ۰) برابر ۱.۰: رأی = "هرزنامه" پایان
        سرچاپ رأی، "<-"، متن
    پایان
پایان
خروجیآموزش دید true صندوق <- ناهار رایگان فردا هرزنامه <- شما برنده جایزه شدید صندوق <- گزارش را فردا بفرست
کارشروع باسنجش با
پیش‌بینی یک عددرگرسیون خطیضریب تعیین، ریشه میانگین مربعات خطا
بله یا نه، با احتمالرگرسیون لجستیکدقت، ماتریس درهم‌ریختگی
چند دسته، داده‌ی کمدسته‌بند نزدیک‌ترین همسایه، درخت تصمیم، بیز ساده گاوسیامتیاز اعتبارسنجی متقاطع
داده‌ی جدولی، بیشترین دقتجنگل تصادفی، تقویت گرادیانیامتیاز اعتبارسنجی متقاطع، جستجوی شبکه‌ای
ستون‌های کمتر یا تصویری از دادهتحلیل مؤلفه اصلی، تی‌اس‌ان‌ایواریانس تبیین‌شده
شمارش واژه‌هابیز ساده چندجمله‌ایدقت
گروه‌ها بدون برچسبکی میانگینامتیاز سایه‌نما

گونه‌ها

تقسیم Split

ساختار تقسیم
داده‌ی تقسیم‌شده.
نامانگلیسیگونهتوضیح
ویژگی‌های آموزشx_trainماتریس.ماتریسویژگی‌های آموزش.
ویژگی‌های آزمونx_testماتریس.ماتریسویژگی‌های آزمون.
برچسب‌های آموزشy_trainماتریس.ماتریسبرچسب‌های آموزش.
برچسب‌های آزمونy_testماتریس.ماتریسبرچسب‌های آزمون.
ai-ml-Prep.salam
واردسازی هوش مصنوعی.یادگیری ماشین
واردسازی ماتریس

تابع ساختن(سطرها: صحیح، ستون‌ها: صحیح، اعداد: رشته): ماتریس.ماتریس:
    ناپایا داده := وکتور {} برگردان وکتور<اعشار۶۴>
    هر عدد در اعداد.بشکاف(" "):
        داده.بیفزا(عدد.به اعشار())
    پایان
    برگشت ماتریس.از آرایه(سطرها، ستون‌ها، داده)
پایان

تابع نشان(نام: رشته، م &: ماتریس.ماتریس):
    سرچاپ نام، ماتریس.به بازنمایی(ماتریس.حذف ریزه(م، ۰.۰۰۰۰۰۱)، ۳)
پایان

تابع صحیح‌ها(بردار: وکتور<صحیح>): رشته:
    ناپایا متن := "["
    تکرار بردار.طول() در ش:
        اگر ش > ۰:
            متن += " "
        پایان
        متن += "" + بردار.دریافت(ش)
    پایان
    برگشت متن + "]"
پایان

تابع ریشه:
    ناپایا داده := ساختن(۴، ۲، "1 10 2 20 3 30 4 40")
    ناپایا استاندارد := یادگیری ماشین.مقیاس‌گر استاندارد {}
    ناپایا مقیاس‌شده := استاندارد.برازش سپس تبدیل(داده)
    نشان("استاندارد"، مقیاس‌شده)
    نشان("میانگین"، استاندارد.میانگین)
    سرچاپ استاندارد.موفق، استاندارد.با میانگین، استاندارد.با انحراف معیار، ماتریس.رشته شکل(استاندارد.انحراف معیار)
    نشان("برگشت"، استاندارد.تبدیل معکوس(مقیاس‌شده))
    ناپایا کمینه بیشینه := یادگیری ماشین.مقیاس‌گر کمینه‌بیشینه { کمینه = ۰.۰، بیشینه = ۱.۰ }
    سرچاپ کمینه بیشینه.برازش(داده)
    نشان("کمینه‌بیشینه"، کمینه بیشینه.تبدیل(داده))
    نشان("برگشت"، کمینه بیشینه.تبدیل معکوس(کمینه بیشینه.برازش سپس تبدیل(داده)))
    سرچاپ کمینه بیشینه.موفق، ماتریس.رشته شکل(کمینه بیشینه.کمینه داده)، ماتریس.رشته شکل(کمینه بیشینه.دامنه داده)
    سرچاپ استاندارد.برازش(داده)، ماتریس.رشته شکل(استاندارد.تبدیل(داده))

    ناپایا برچسب‌ها := وکتور {} برگردان وکتور<رشته>
    هر برچسب در ["گربه"، "سگ"، "گربه"، "ماهی"]:
        برچسب‌ها.بیفزا(برچسب)
    پایان
    ناپایا رمزگذار := یادگیری ماشین.رمزگذار برچسب {}
    ناپایا عددی := رمزگذار.برازش سپس تبدیل(برچسب‌ها)
    نشان("برچسب"، عددی)
    سرچاپ رمزگذار.موفق، رمزگذار.رده‌ها.طول()، رمزگذار.نمایه("سگ")، رمزگذار.تبدیل معکوس(عددی).دریافت(۳)، رمزگذار.برازش(برچسب‌ها)، ماتریس.رشته شکل(رمزگذار.تبدیل(برچسب‌ها))
    ناپایا تک‌داغ := یادگیری ماشین.رمزگذار تک‌داغ {}
    ناپایا داغ := تک‌داغ.برازش سپس تبدیل(عددی)
    نشان("تک‌داغ"، داغ)
    نشان("برگشت"، تک‌داغ.تبدیل معکوس(داغ))
    سرچاپ تک‌داغ.موفق، تک‌داغ.شمار رده‌ها، تک‌داغ.برازش(عددی)، ماتریس.رشته شکل(تک‌داغ.تبدیل(عددی))
    سرچاپ صحیح‌ها(یادگیری ماشین.برچسب به عدد(عددی))، یادگیری ماشین.شمارش رده‌ها(عددی)

    ناپایا ناقص := ساختن(۳، ۲، "1 4 nan 6 3 nan")
    ناپایا جایگذار := یادگیری ماشین.جایگذار ساده { راهبرد = یادگیری ماشین.جایگذاری میانگین }
    نشان("میانگین"، جایگذار.برازش سپس تبدیل(ناقص))
    ناپایا جایگذار۲ := یادگیری ماشین.جایگذار ساده { راهبرد = یادگیری ماشین.جایگذاری ثابت، مقدار پرکننده = -۱.۰ }
    سرچاپ جایگذار۲.برازش(ناقص)، جایگذار۲.موفق، ماتریس.رشته شکل(جایگذار۲.آمارها)
    نشان("ثابت"، جایگذار۲.تبدیل(ناقص))
    سرچاپ یادگیری ماشین.جایگذاری میانه
    ناپایا چندجمله‌ای := یادگیری ماشین.ویژگی چندجمله‌ای { درجه = ۲، شامل سوگیری = درست }
    نشان("چندجمله‌ای"، چندجمله‌ای.تبدیل(ساختن(۱، ۲، "2 3")))

    ناپایا خطی := ساختن(۴، ۲، "1 2 2 4 3 6 4 8")
    ناپایا مولفه := یادگیری ماشین.تحلیل مؤلفه اصلی { شمار مؤلفه‌ها = ۱ }
    سرچاپ مولفه.برازش(خطی)، مولفه.موفق، ماتریس.رشته شکل(مولفه.مؤلفه‌ها)، ماتریس.رشته شکل(مولفه.میانگین)
    نشان("واریانس"، مولفه.نسبت توضیح‌داده‌شده)
    سرچاپ ماتریس.رشته شکل(مولفه.واریانس توضیح‌داده‌شده)، ماتریس.رشته شکل(مولفه.تبدیل(خطی))، ماتریس.رشته شکل(مولفه.برازش سپس تبدیل(خطی))
    نشان("برگشت"، مولفه.تبدیل معکوس(مولفه.تبدیل(خطی)))
    ناپایا بریده := یادگیری ماشین.تجزیه مقادیر تکین بریده { شمار مؤلفه‌ها = ۱ }
    سرچاپ بریده.برازش(خطی)، بریده.موفق، ماتریس.رشته شکل(بریده.مؤلفه‌ها)، ماتریس.رشته شکل(بریده.مقدارهای تکین)، ماتریس.رشته شکل(بریده.واریانس توضیح‌داده‌شده)، ماتریس.رشته شکل(بریده.نسبت توضیح‌داده‌شده)
    سرچاپ ماتریس.رشته شکل(بریده.تبدیل(خطی))، ماتریس.رشته شکل(بریده.برازش سپس تبدیل(خطی))

    ناپایا ایکس := ساختن(۶، ۱، "1 2 3 4 5 6")
    ناپایا وای := ساختن(۶، ۱، "0 0 0 1 1 1")
    ناپایا تقسیم := یادگیری ماشین.تقسیم آموزش‌آزمون(ایکس، وای، ۰.۵، ۷)
    سرچاپ ماتریس.رشته شکل(تقسیم.ویژگی‌های آموزش)، ماتریس.رشته شکل(تقسیم.ویژگی‌های آزمون)، ماتریس.رشته شکل(تقسیم.برچسب‌های آموزش)، ماتریس.رشته شکل(تقسیم.برچسب‌های آزمون)
    ناپایا برش‌ها := یادگیری ماشین.کی برش(۶، ۳، نادرست، ۰)
    سرچاپ برش‌ها.شمار()، صحیح‌ها(برش‌ها.آزمون.دریافت(۰))، صحیح‌ها(برش‌ها.آموزش.دریافت(۰))
    ناپایا طبقه‌ای := یادگیری ماشین.کی برش طبقه‌ای(وای، ۳، ۱)
    سرچاپ طبقه‌ای.شمار()، طبقه‌ای.آزمون.دریافت(۰).طول()
    سرچاپ یادگیری ماشین.رواداری یادگیری > ۰.۰
    استاندارد.آزادسازی()
    کمینه بیشینه.آزادسازی()
    رمزگذار.آزادسازی()
    جایگذار.آزادسازی()
    مولفه.آزادسازی()
    بریده.آزادسازی()
پایان
خروجیاستاندارد [-1.342,-1.342; -0.447,-0.447; 0.447,0.447; 1.342,1.342] میانگین [2.500,25.000] true true true 1x2 برگشت [1.000,10.000; 2.000,20.000; 3.000,30.000; 4.000,40.000] true کمینه‌بیشینه [0.000,0.000; 0.333,0.333; 0.667,0.667; 1.000,1.000] برگشت [1.000,10.000; 2.000,20.000; 3.000,30.000; 4.000,40.000] true 1x2 1x2 true 4x2 برچسب [0.000; 1.000; 0.000; 2.000] true 3 1 ماهی true 4x1 تک‌داغ [1.000,0.000,0.000; 0.000,1.000,0.000; 1.000,0.000,0.000; 0.000,0.000,1.000] برگشت [0.000; 1.000; 0.000; 2.000] true 3 true 4x3 [0 1 0 2] 3 میانگین [1.000,4.000; 2.000,6.000; 3.000,5.000] true true 1x2 ثابت [1.000,4.000; -1.000,6.000; 3.000,-1.000] 1 چندجمله‌ای [1.000,2.000,3.000,4.000,6.000,9.000] true true 2x1 1x2 واریانس [1.000] 1x1 4x1 4x1 برگشت [1.000,2.000; 2.000,4.000; 3.000,6.000; 4.000,8.000] true true 2x1 1x1 1x1 1x1 4x1 4x1 3x1 3x1 3x1 3x1 3 [0 1] [2 3 4 5] 3 2 true

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برش‌ها Folds

ساختار برش‌ها
برش‌های اعتبارسنجی متقاطع.
نامانگلیسیگونهتوضیح
آموزشtrainوکتور<وکتور<صحیح>>شماره‌ی سطرهای آموزش هر برش.
آزمونtestوکتور<وکتور<صحیح>>شماره‌ی سطرهای آزمون هر برش.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

شمار count

تابع شمار(): صحیح
شمار.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

نتیجه جستجوی شبکه‌ای GridResult

ساختار نتیجه جستجوی شبکه‌ای
نتیجه‌ی جستجوی شبکه‌ای.
نامانگلیسیگونهتوضیح
امتیازهاscoresوکتور<اعشار۶۴>میانگین امتیاز هر نامزد.
بهترینbestصحیح = -1شماره‌ی بهترین.
بهترین امتیازbest_scoreاعشار۶۴ = 0بهترین امتیاز.
ai-ml-Select.salam
واردسازی هوش مصنوعی.یادگیری ماشین
واردسازی ماتریس

تابع ساختن(سطرها: صحیح، ستون‌ها: صحیح، اعداد: رشته): ماتریس.ماتریس:
    ناپایا داده := وکتور {} برگردان وکتور<اعشار۶۴>
    هر عدد در اعداد.بشکاف(" "):
        داده.بیفزا(عدد.به اعشار())
    پایان
    برگشت ماتریس.از آرایه(سطرها، ستون‌ها، داده)
پایان

تابع گ(عدد: اعشار۶۴): رشته:
    برگشت ماتریس.به رشته با دقت(ماتریس.پرشده(۱، ۱، عدد)، ۳)
پایان

تابع همسایه(کا: صحیح، آموزش &: ماتریس.ماتریس، برچسب &: ماتریس.ماتریس، آزمون &: ماتریس.ماتریس): ماتریس.ماتریس:
    ناپایا مدل := یادگیری ماشین.دسته‌بند نزدیک‌ترین همسایه { شمار همسایه‌ها = کا }
    _ := مدل.برازش(آموزش، برچسب)
    پیش := مدل.پیش‌بینی(آزمون)
    مدل.آزادسازی()
    برگشت پیش
پایان

تابع ریشه:
    ناپایا ایکس := ساختن(۸، ۲، "1 1 1 2 2 1 2 2 6 6 6 7 7 6 7 7")
    ناپایا وای := ساختن(۸، ۱، "0 0 0 0 1 1 1 1")
    ناپایا برش‌ها := یادگیری ماشین.کی برش طبقه‌ای(وای، ۴، ۱)
    ناپایا امتیازها := یادگیری ماشین.امتیاز اعتبارسنجی متقاطع((الف_in: ماتریس.ماتریس، ب_in: ماتریس.ماتریس، ج_in: ماتریس.ماتریس): ناپایا ب := ب_in ناپایا ج := ج_in ناپایا الف := الف_in برگشت همسایه(۱، الف، ب، ج) پایان، (الف_in: ماتریس.ماتریس، ب_in: ماتریس.ماتریس): ناپایا ب := ب_in ناپایا الف := الف_in برگشت یادگیری ماشین.دقت(الف، ب) پایان، ایکس، وای، برش‌ها)
    سرچاپ امتیازها.طول()، گ(یادگیری ماشین.میانگین امتیاز(امتیازها))
    ناپایا موازی := یادگیری ماشین.امتیاز اعتبارسنجی متقاطع موازی((الف_in: ماتریس.ماتریس، ب_in: ماتریس.ماتریس، ج_in: ماتریس.ماتریس): ناپایا ب := ب_in ناپایا ج := ج_in ناپایا الف := الف_in برگشت همسایه(۱، الف، ب، ج) پایان، (الف_in: ماتریس.ماتریس، ب_in: ماتریس.ماتریس): ناپایا ب := ب_in ناپایا الف := الف_in برگشت یادگیری ماشین.دقت(الف، ب) پایان، ایکس، وای، برش‌ها، ۲)
    سرچاپ گ(یادگیری ماشین.میانگین امتیاز(موازی))

    ناپایا نامزدها := وکتور {} برگردان وکتور<یادگیری ماشین.نامزد>
    نامزدها.بیفزا(یادگیری ماشین.نامزد { نام = "k=1"، کارکرد برازش = (الف_in: ماتریس.ماتریس، ب_in: ماتریس.ماتریس، ج_in: ماتریس.ماتریس): ناپایا ب := ب_in ناپایا ج := ج_in ناپایا الف := الف_in برگشت همسایه(۱، الف، ب، ج) پایان })
    نامزدها.بیفزا(یادگیری ماشین.نامزد { نام = "k=3"، کارکرد برازش = (الف_in: ماتریس.ماتریس، ب_in: ماتریس.ماتریس، ج_in: ماتریس.ماتریس): ناپایا ب := ب_in ناپایا ج := ج_in ناپایا الف := الف_in برگشت همسایه(۳، الف، ب، ج) پایان })
    ناپایا نتیجه := یادگیری ماشین.جستجوی شبکه‌ای(نامزدها، (الف_in: ماتریس.ماتریس، ب_in: ماتریس.ماتریس): ناپایا ب := ب_in ناپایا الف := الف_in برگشت یادگیری ماشین.دقت(الف، ب) پایان، ایکس، وای، برش‌ها، ۱)
    سرچاپ نتیجه.امتیازها.طول()، نتیجه.بهترین >= ۰، گ(نتیجه.بهترین امتیاز)، نامزدها.دریافت(نتیجه.بهترین).نام.طول() > ۰
پایان
خروجی4 1.000 1.000 2 true 1.000 true

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Select.salam

نامزد Candidate

ساختار نامزد
یک نامزد در جستجوی شبکه‌ای.
نامانگلیسیگونهتوضیح
نامnameرشته = ""نام.
کارکرد برازشfitتابع(ماتریس.ماتریس، ماتریس.ماتریس، ماتریس.ماتریس): ماتریس.ماتریستابعی که با داده‌ی آموزش و آزمون پیش‌بینی برمی‌گرداند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Select.salam

درخت هیستوگرام HistTree

ساختار درخت هیستوگرام
یک درخت تقویت هیستوگرامی.
نامانگلیسیگونهتوضیح
ویژگیfeatureوکتور<صحیح>ویژگی شکاف هر گره.
آستانهthresholdوکتور<اعشار۶۴>آستانه‌ی شکاف هر گره.
چپleftوکتور<صحیح>فرزند چپ هر گره.
راستrightوکتور<صحیح>فرزند راست هر گره.
مقدارvalueوکتور<اعشار۶۴>مقدار یا احتمال برگ‌ها.
ai-ml-Trees.salam
واردسازی هوش مصنوعی.یادگیری ماشین
واردسازی ماتریس

تابع ساختن(سطرها: صحیح، ستون‌ها: صحیح، اعداد: رشته): ماتریس.ماتریس:
    ناپایا داده := وکتور {} برگردان وکتور<اعشار۶۴>
    هر عدد در اعداد.بشکاف(" "):
        داده.بیفزا(عدد.به اعشار())
    پایان
    برگشت ماتریس.از آرایه(سطرها، ستون‌ها، داده)
پایان

تابع نشان(نام: رشته، م &: ماتریس.ماتریس):
    سرچاپ نام، ماتریس.به بازنمایی(ماتریس.حذف ریزه(م، ۰.۰۰۰۰۰۱)، ۳)
پایان

تابع گ(عدد: اعشار۶۴): رشته:
    برگشت ماتریس.به رشته با دقت(ماتریس.پرشده(۱، ۱، عدد)، ۳)
پایان

تابع صحیح‌ها(بردار: وکتور<صحیح>): رشته:
    ناپایا متن := "["
    تکرار بردار.طول() در ش:
        اگر ش > ۰:
            متن += " "
        پایان
        متن += "" + بردار.دریافت(ش)
    پایان
    برگشت متن + "]"
پایان

تابع ریشه:
    ناپایا ایکس := ساختن(۸، ۲، "1 1 1 2 2 1 2 2 6 6 6 7 7 6 7 7")
    ناپایا وای := ساختن(۸، ۱، "0 0 0 0 1 1 1 1")
    ناپایا آزمون := ساختن(۲، ۲، "1.5 1.5 6.5 6.5")

    ناپایا درخت := یادگیری ماشین.درخت تصمیم { معیار = یادگیری ماشین.معیار جینی، بیشترین عمق = ۳ }
    سرچاپ درخت.برازش(ایکس، وای)، درخت.موفق، درخت.شمار رده‌ها، درخت.رگرسیون است()، درخت.شمار گره()، درخت.اعمال سطر(آزمون، ۰) >= ۰
    سرچاپ درخت.کمترین نمونه شکاف، درخت.کمترین نمونه برگ، درخت.بیشترین ویژگی، درخت.بذر، درخت.شمار رده‌ی پیشنهادی، درخت.ویژگی.طول()، درخت.آستانه.طول()، درخت.چپ.طول()، درخت.راست.طول()، ماتریس.رشته شکل(درخت.مقدار)
    نشان("درخت"، درخت.پیش‌بینی(آزمون))
    سرچاپ ماتریس.رشته شکل(درخت.پیش‌بینی احتمال(آزمون))، گ(درخت.امتیاز(ایکس، وای))
    ناپایا رگرسیون := یادگیری ماشین.درخت تصمیم { معیار = یادگیری ماشین.معیار میانگین مربعات }
    سرچاپ رگرسیون.برازش(ایکس، ساختن(۸، ۱، "1 1 1 1 5 5 5 5"))، رگرسیون.رگرسیون است()، یادگیری ماشین.معیار آنتروپی

    ناپایا جنگل := یادگیری ماشین.جنگل تصادفی { شمار درخت‌ها = ۲۰، بیشترین عمق = ۴، بذر = ۳ }
    سرچاپ جنگل.برازش(ایکس، وای)، جنگل.موفق، جنگل.شمار رده‌ها، جنگل.درخت‌ها.طول()، جنگل.رگرسیون است()، جنگل.معیار، جنگل.کمترین نمونه برگ، جنگل.بیشترین ویژگی، جنگل.بوت‌استرپ، جنگل.شمار نخ‌ها
    نشان("جنگل"، جنگل.پیش‌بینی(آزمون))
    سرچاپ ماتریس.رشته شکل(جنگل.پیش‌بینی احتمال(آزمون))، گ(جنگل.امتیاز(ایکس، وای))
    جنگل.آزادسازی درخت‌ها()

    ناپایا آدا := یادگیری ماشین.آدابوست { شمار برآوردگرها = ۱۰ }
    سرچاپ آدا.برازش(ایکس، وای)، آدا.موفق، آدا.شمار رده‌ها، آدا.درخت‌ها.طول() > ۰، آدا.وزن درخت‌ها.طول() > ۰، آدا.بیشترین عمق، آدا.نرخ یادگیری، آدا.بذر
    نشان("آدابوست"، آدا.پیش‌بینی(آزمون))
    سرچاپ گ(آدا.امتیاز(ایکس، وای))
    آدا.آزادسازی همه()

    ناپایا گرادیان := یادگیری ماشین.تقویت گرادیانی { شمار برآوردگرها = ۲۰، نرخ یادگیری = ۰.۳، بیشترین عمق = ۲ }
    سرچاپ گرادیان.برازش(ایکس، وای)، گرادیان.موفق، گرادیان.شمار رده‌ها، گرادیان.درخت‌ها.طول()، گرادیان.کمترین نمونه برگ، گرادیان.رگرسیون، ماتریس.رشته شکل(گرادیان.پیش‌بینی پایه)
    نشان("تقویت گرادیانی"، گرادیان.پیش‌بینی(آزمون))
    سرچاپ ماتریس.رشته شکل(گرادیان.تصمیم(آزمون))، ماتریس.رشته شکل(گرادیان.پیش‌بینی احتمال(آزمون))، گ(گرادیان.امتیاز(ایکس، وای))
    گرادیان.آزادسازی همه()

    ناپایا هیستوگرام := یادگیری ماشین.تقویت گرادیان هیستوگرامی { شمار برآوردگرها = ۲۰، کمترین نمونه برگ = ۱، بیشترین بازه = ۱۶ }
    سرچاپ هیستوگرام.برازش(ایکس، وای)، هیستوگرام.موفق، هیستوگرام.شمار رده‌ها، هیستوگرام.درخت‌ها.طول() > ۰، هیستوگرام.بیشترین عمق، هیستوگرام.ضریب ال دو، هیستوگرام.نرخ یادگیری، هیستوگرام.رگرسیون، هیستوگرام.مرزها.طول() > ۰، هیستوگرام.آغاز مرزها.طول()، هیستوگرام.پیش‌بینی پایه.طول()
    نشان("هیستوگرامی"، هیستوگرام.پیش‌بینی(آزمون))
    سرچاپ ماتریس.رشته شکل(هیستوگرام.تصمیم(آزمون))، ماتریس.رشته شکل(هیستوگرام.پیش‌بینی احتمال(آزمون))، گ(هیستوگرام.امتیاز(ایکس، وای))
    ناپایا یکی := هیستوگرام.درخت‌ها.دریافت(۰)
    سرچاپ یکی.ویژگی.طول() > ۰، یکی.آستانه.طول() > ۰، یکی.چپ.طول() > ۰، یکی.راست.طول() > ۰، یکی.مقدار.طول() > ۰
    هیستوگرام.آزادسازی همه()

    ناپایا کی‌دی := یادگیری ماشین.درخت کی‌دی جدید(ایکس، ۲)
    ناپایا فاصله‌ها := وکتور {} برگردان وکتور<اعشار۶۴>
    سرچاپ کی‌دی.موفق، کی‌دی.اندازه برگ، کی‌دی.شمار گره() > ۰، صحیح‌ها(کی‌دی.پرس‌وجو(آزمون، ۱، ۲، فاصله‌ها))، گ(فاصله‌ها.دریافت(۰))
    سرچاپ ماتریس.رشته شکل(کی‌دی.داده)، کی‌دی.جایگشت.طول()، کی‌دی.آغاز گره‌ها.طول() > ۰، کی‌دی.انتهای گره‌ها.طول() > ۰، کی‌دی.بعد گره‌ها.طول() > ۰، کی‌دی.شکاف گره‌ها.طول() > ۰، کی‌دی.فرزند چپ گره‌ها.طول() > ۰، کی‌دی.فرزند راست گره‌ها.طول() > ۰
    ناپایا خالی := یادگیری ماشین.درخت کی‌دی {}
    سرچاپ خالی.ساخت(ایکس)، خالی.شمار گره() > ۰
    کی‌دی.آزادسازی()
    خالی.آزادسازی()
    درخت.آزادسازی()
    رگرسیون.آزادسازی()
پایان
خروجیtrue true 2 false 3 true 2 1 0 42 0 3 3 3 3 3x2 درخت [0.000; 1.000] 2x2 1.000 true true 1 true true 2 20 false 0 1 0 true 0 جنگل [0.000; 1.000] 2x2 1.000 true true 2 true true 1 1 42 آدابوست [0.000; 1.000] 1.000 true true 2 40 1 false 1x2 تقویت گرادیانی [0.000; 1.000] 2x2 2x2 1.000 true true 2 true 6 1 0.1 false true 3 2 هیستوگرامی [0.000; 1.000] 2x2 2x2 1.000 true true true true true true 2 true [4 5] 0.500 8x2 8 true true true true true true true true

اعمال سطر apply_row

تابع اعمال سطر(x &: ماتریس.ماتریس، i: صحیح): اعشار۶۴
برگی که سطر به آن می‌رسد.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

تقویت گرادیان هیستوگرامی HistGradientBoosting

ساختار تقویت گرادیان هیستوگرامی
تقویت گرادیانی هیستوگرامی؛ سریع برای داده‌ی بزرگ، مثل LightGBM.
نامانگلیسیگونهتوضیح
شمار برآوردگرهاn_estimatorsصحیح = 100شمار برآوردگرها.
نرخ یادگیریlearning_rateاعشار۶۴ = 0.1نرخ یادگیری.
بیشترین عمقmax_depthصحیح = 6بیشترین عمق درخت.
بیشترین بازهmax_binsصحیح = 255بیشترین شمار بازه‌ها برای هر ویژگی.
کمترین نمونه برگmin_samples_leafصحیح = 20کمترین نمونه در هر برگ.
ضریب ال دوl2اعشار۶۴ = 1منظم‌سازی L2 برگ‌ها.
رگرسیونregressionمنطقی = نادرسترگرسیون به جای دسته‌بندی.
مرزهاedgesوکتور<اعشار۶۴>مرز بازه‌ها.
آغاز مرزهاedges_startوکتور<صحیح>آغاز مرزهای هر ویژگی.
پیش‌بینی پایهbaseوکتور<اعشار۶۴>پیش‌بینی آغازین.
درخت‌هاtreesوکتور<درخت هیستوگرام>درخت‌ها.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

تصمیم decision

تابع تصمیم(x &: ماتریس.ماتریس): ماتریس.ماتریس
امتیاز تصمیم پیش از تبدیل به رده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

آزادسازی همه free_all

تابع آزادسازی همه()
همه‌ی درخت‌ها را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

رگرسیون خطی LinearReg

ساختار رگرسیون خطی
رگرسیون خطی با کمترین مربعات.
نامانگلیسیگونهتوضیح
برازش عرض از مبدأfit_interceptمنطقی = درستعرض از مبدأ را هم برازش کند.
ضریب‌هاcoefماتریس.ماتریسضریب‌ها.
عرض از مبدأinterceptاعشار۶۴ = 0عرض از مبدأ.
موفقokمنطقی = نادرستبرازش موفق بود.
ai-ml-Linear.salam
واردسازی هوش مصنوعی.یادگیری ماشین
واردسازی ماتریس

تابع ساختن(سطرها: صحیح، ستون‌ها: صحیح، اعداد: رشته): ماتریس.ماتریس:
    ناپایا داده := وکتور {} برگردان وکتور<اعشار۶۴>
    هر عدد در اعداد.بشکاف(" "):
        داده.بیفزا(عدد.به اعشار())
    پایان
    برگشت ماتریس.از آرایه(سطرها، ستون‌ها، داده)
پایان

تابع نشان(نام: رشته، م &: ماتریس.ماتریس):
    سرچاپ نام، ماتریس.به بازنمایی(ماتریس.حذف ریزه(م، ۰.۰۰۰۰۰۱)، ۳)
پایان

تابع گ(عدد: اعشار۶۴): رشته:
    برگشت ماتریس.به رشته با دقت(ماتریس.پرشده(۱، ۱، عدد)، ۳)
پایان

تابع ریشه:
    ناپایا ایکس := ساختن(۵، ۲، "1 0 2 1 3 0 4 1 5 0")
    ناپایا وای := ساختن(۵، ۱، "3 6 7 10 11")
    ناپایا خطی := یادگیری ماشین.رگرسیون خطی {}
    سرچاپ خطی.برازش(ایکس، وای)، خطی.موفق، خطی.برازش عرض از مبدأ، گ(خطی.عرض از مبدأ)
    نشان("ضریب‌ها"، خطی.ضریب‌ها)
    ناپایا پیش := خطی.پیش‌بینی(ایکس)
    نشان("پیش‌بینی"، پیش)
    سرچاپ گ(خطی.امتیاز(ایکس، وای))، گ(یادگیری ماشین.ضریب تعیین(وای، پیش))
    ناپایا خطا := ساختن(۵، ۱، "3.5 5.5 7 10 12")
    سرچاپ گ(یادگیری ماشین.میانگین مربعات خطا(وای، خطا))، گ(یادگیری ماشین.میانگین قدرمطلق خطا(وای، خطا))، گ(یادگیری ماشین.ریشه میانگین مربعات خطا(وای، خطا))
    سرچاپ گ(یادگیری ماشین.میانه خطای مطلق(وای، خطا))، گ(یادگیری ماشین.میانگین درصد خطای مطلق(وای، خطا))، گ(یادگیری ماشین.واریانس تبیین‌شده(وای، خطا))

    ناپایا ستیغی := یادگیری ماشین.رگرسیون ستیغی { ضریب منظم‌سازی = ۱.۰ }
    سرچاپ ستیغی.برازش(ایکس، وای)، ستیغی.موفق، ستیغی.ضریب منظم‌سازی، ستیغی.برازش عرض از مبدأ، گ(ستیغی.عرض از مبدأ)
    نشان("ستیغی"، ستیغی.ضریب‌ها)
    سرچاپ ستیغی.امتیاز(ایکس، وای) > ۰.۹، ماتریس.رشته شکل(ستیغی.پیش‌بینی(ایکس))
    ناپایا لاسو := یادگیری ماشین.لاسو { ضریب منظم‌سازی = ۰.۱ }
    سرچاپ لاسو.برازش(ایکس، وای)، لاسو.موفق، لاسو.ضریب منظم‌سازی، لاسو.نسبت ال یک، لاسو.برازش عرض از مبدأ، لاسو.بیشترین دور، لاسو.رواداری > ۰.۰، لاسو.شمار تکرارها > ۰، لاسو.عرض از مبدأ > ۰.۰
    نشان("لاسو"، لاسو.ضریب‌ها)
    سرچاپ لاسو.امتیاز(ایکس، وای) > ۰.۹، ماتریس.رشته شکل(لاسو.پیش‌بینی(ایکس))
    ناپایا کشسان := یادگیری ماشین.شبکه کشسان جدید(۰.۱، ۰.۵)
    سرچاپ کشسان.برازش(ایکس، وای)، کشسان.نسبت ال یک

    ناپایا ساعت := ساختن(۶، ۱، "1 2 3 4 5 6")
    ناپایا قبولی := ساختن(۶، ۱، "0 0 0 1 1 1")
    ناپایا لجستیک := یادگیری ماشین.رگرسیون لجستیک { ضریب منظم‌سازی = ۰.۰۱، بیشترین دور = ۲۰۰۰ }
    سرچاپ لجستیک.برازش(ساعت، قبولی)، لجستیک.موفق، لجستیک.شمار رده‌ها، لجستیک.برازش عرض از مبدأ، لجستیک.شمار تکرارها > ۰، لجستیک.رواداری > ۰.۰
    سرچاپ ماتریس.رشته شکل(لجستیک.ضریب‌ها)، ماتریس.رشته شکل(لجستیک.عرض از مبدأ)
    نشان("پیش‌بینی"، لجستیک.پیش‌بینی(ساعت))
    ناپایا احتمال := لجستیک.پیش‌بینی احتمال(ساختن(۲، ۱، "1 6"))
    سرچاپ احتمال.عنصر(۰، ۱) < ۰.۵، احتمال.عنصر(۱، ۱) > ۰.۵، گ(لجستیک.امتیاز(ساعت، قبولی))
    خطی.آزادسازی()
    ستیغی.آزادسازی()
    لاسو.آزادسازی()
    کشسان.آزادسازی()
    لجستیک.آزادسازی()
پایان
خروجیtrue true true 1.000 ضریب‌ها [2.000; 1.000] پیش‌بینی [3.000; 6.000; 7.000; 10.000; 11.000] 1.000 1.000 0.300 0.400 0.548 0.500 0.068 0.968 true true 1 true 1.727 ستیغی [1.818; 0.545] true 5x1 true true 0.1 1 true 1000 true true true لاسو [1.950; 0.583] true 5x1 true 0.5 true true 2 true true true 1x2 1x2 پیش‌بینی [0.000; 0.000; 0.000; 1.000; 1.000; 1.000] true true 1.000

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

رگرسیون ستیغی Ridge

ساختار رگرسیون ستیغی
رگرسیون ستیغی: خطی با جریمه‌ی L2.
نامانگلیسیگونهتوضیح
ضریب منظم‌سازیalphaاعشار۶۴ = 1قدرت منظم‌سازی.
برازش عرض از مبدأfit_interceptمنطقی = درستعرض از مبدأ را هم برازش کند.
ضریب‌هاcoefماتریس.ماتریسضریب‌ها.
عرض از مبدأinterceptاعشار۶۴ = 0عرض از مبدأ.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

لاسو Lasso

ساختار لاسو
لاسو: خطی با جریمه‌ی L1 که ضریب‌های بی‌اهمیت را صفر می‌کند؛ با l1_ratio کمتر از یک شبکه‌ی کشسان است.
نامانگلیسیگونهتوضیح
ضریب منظم‌سازیalphaاعشار۶۴ = 1قدرت منظم‌سازی.
نسبت ال یکl1_ratioاعشار۶۴ = 1سهم L1 در جریمه؛ یک یعنی لاسو.
برازش عرض از مبدأfit_interceptمنطقی = درستعرض از مبدأ را هم برازش کند.
بیشترین دورmax_iterصحیح = 1000بیشترین شمار تکرار.
رواداریtolاعشار۶۴ = 0.0001رواداری همگرایی.
ضریب‌هاcoefماتریس.ماتریسضریب‌ها.
عرض از مبدأinterceptاعشار۶۴ = 0عرض از مبدأ.
شمار تکرارهاn_iterصحیح = 0شمار تکرارهای انجام‌شده.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

رگرسیون لجستیک LogisticRegression

ساختار رگرسیون لجستیک
رگرسیون لجستیک برای دسته‌بندی، با چند رده.
نامانگلیسیگونهتوضیح
ضریب منظم‌سازیalphaاعشار۶۴ = 0.0001قدرت منظم‌سازی.
برازش عرض از مبدأfit_interceptمنطقی = درستعرض از مبدأ را هم برازش کند.
بیشترین دورmax_iterصحیح = 500بیشترین شمار تکرار.
رواداریtolاعشار۶۴ = 1e-06رواداری همگرایی.
ضریب‌هاcoefماتریس.ماتریسضریب‌ها.
عرض از مبدأinterceptماتریس.ماتریسعرض از مبدأ.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
شمار تکرارهاn_iterصحیح = 0شمار تکرارهای انجام‌شده.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

بیز ساده گاوسی GaussianNB

ساختار بیز ساده گاوسی
بیز ساده‌ی گاوسی برای ویژگی‌های پیوسته.
نامانگلیسیگونهتوضیح
هموارسازی واریانسvar_smoothingاعشار۶۴ = 1e-09افزوده به واریانس‌ها برای پایداری.
میانگین‌هاmeansماتریس.ماتریسمیانگین هر رده.
واریانس‌هاvarsماتریس.ماتریسواریانس‌ها.
لگاریتم پیشین‌هاlog_priorsماتریس.ماتریسلگاریتم احتمال پیشین هر رده.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.
ai-ml-Classify.salam
واردسازی هوش مصنوعی.یادگیری ماشین
واردسازی ماتریس

تابع ساختن(سطرها: صحیح، ستون‌ها: صحیح، اعداد: رشته): ماتریس.ماتریس:
    ناپایا داده := وکتور {} برگردان وکتور<اعشار۶۴>
    هر عدد در اعداد.بشکاف(" "):
        داده.بیفزا(عدد.به اعشار())
    پایان
    برگشت ماتریس.از آرایه(سطرها، ستون‌ها، داده)
پایان

تابع نشان(نام: رشته، م &: ماتریس.ماتریس):
    سرچاپ نام، ماتریس.به بازنمایی(ماتریس.حذف ریزه(م، ۰.۰۰۰۰۰۱)، ۳)
پایان

تابع گ(عدد: اعشار۶۴): رشته:
    برگشت ماتریس.به رشته با دقت(ماتریس.پرشده(۱، ۱، عدد)، ۳)
پایان

تابع ریشه:
    ناپایا ایکس := ساختن(۸، ۲، "1 1 1 2 2 1 2 2 6 6 6 7 7 6 7 7")
    ناپایا وای := ساختن(۸، ۱، "0 0 0 0 1 1 1 1")
    ناپایا آزمون := ساختن(۲، ۲، "1.5 1.5 6.5 6.5")

    ناپایا همسایه := یادگیری ماشین.دسته‌بند نزدیک‌ترین همسایه { شمار همسایه‌ها = ۳، وزن‌دار = درست، الگوریتم = یادگیری ماشین.همسایه درخت کی‌دی }
    سرچاپ همسایه.برازش(ایکس، وای)، همسایه.موفق، همسایه.شمار رده‌ها، همسایه.اندازه برگ، همسایه.شمار نخ‌ها، ماتریس.رشته شکل(همسایه.ویژگی‌های آموزش)، ماتریس.رشته شکل(همسایه.برچسب‌های آموزش)، همسایه.درخت.موفق
    نشان("همسایه"، همسایه.پیش‌بینی(آزمون))
    سرچاپ ماتریس.رشته شکل(همسایه.پیش‌بینی احتمال(آزمون))، گ(همسایه.امتیاز(ایکس، وای))، یادگیری ماشین.همسایه جستجوی کامل
    ناپایا رگرسور := یادگیری ماشین.رگرسور نزدیک‌ترین همسایه { شمار همسایه‌ها = ۲ }
    سرچاپ رگرسور.برازش(ایکس، وای)، رگرسور.موفق، رگرسور.وزن‌دار، رگرسور.الگوریتم، رگرسور.اندازه برگ، رگرسور.شمار نخ‌ها، ماتریس.رشته شکل(رگرسور.ویژگی‌های آموزش)، ماتریس.رشته شکل(رگرسور.برچسب‌های آموزش)، رگرسور.درخت.موفق
    نشان("رگرسور"، رگرسور.پیش‌بینی(آزمون))
    سرچاپ گ(رگرسور.امتیاز(ایکس، وای))

    ناپایا گاوسی := یادگیری ماشین.بیز ساده گاوسی {}
    سرچاپ گاوسی.برازش(ایکس، وای)، گاوسی.موفق، گاوسی.شمار رده‌ها، گاوسی.هموارسازی واریانس > ۰.۰، ماتریس.رشته شکل(گاوسی.میانگین‌ها)، ماتریس.رشته شکل(گاوسی.واریانس‌ها)، ماتریس.رشته شکل(گاوسی.لگاریتم پیشین‌ها)
    نشان("گاوسی"، گاوسی.پیش‌بینی(آزمون))
    سرچاپ ماتریس.رشته شکل(گاوسی.پیش‌بینی احتمال(آزمون))، گ(گاوسی.امتیاز(ایکس، وای))
    ناپایا شمارش := ساختن(۴، ۳، "3 0 1 2 0 0 0 3 1 0 2 2")
    ناپایا موضوع := ساختن(۴، ۱، "0 0 1 1")
    ناپایا چندجمله‌ای := یادگیری ماشین.بیز ساده چندجمله‌ای { ضریب هموارسازی = ۱.۰ }
    سرچاپ چندجمله‌ای.برازش(شمارش، موضوع)، چندجمله‌ای.موفق، چندجمله‌ای.یادگیری پیشین، چندجمله‌ای.شمار رده‌ها، ماتریس.رشته شکل(چندجمله‌ای.لگاریتم احتمال)، ماتریس.رشته شکل(چندجمله‌ای.لگاریتم پیشین‌ها)
    نشان("چندجمله‌ای"، چندجمله‌ای.پیش‌بینی(شمارش))
    سرچاپ ماتریس.رشته شکل(چندجمله‌ای.تصمیم(شمارش))، ماتریس.رشته شکل(چندجمله‌ای.پیش‌بینی احتمال(شمارش))، گ(چندجمله‌ای.امتیاز(شمارش، موضوع))

    ناپایا خطی := یادگیری ماشین.تحلیل تشخیصی خطی {}
    سرچاپ خطی.برازش(ایکس، وای)، خطی.موفق، خطی.شمار رده‌ها، خطی.منظم‌سازی > ۰.۰، ماتریس.رشته شکل(خطی.میانگین‌ها)، ماتریس.رشته شکل(خطی.کوواریانس)، ماتریس.رشته شکل(خطی.لگاریتم پیشین‌ها)
    نشان("خطی"، خطی.پیش‌بینی(آزمون))
    سرچاپ ماتریس.رشته شکل(خطی.پیش‌بینی احتمال(آزمون))، گ(خطی.امتیاز(ایکس، وای))
    ناپایا درجه دو := یادگیری ماشین.تحلیل تشخیصی درجه دو {}
    سرچاپ درجه دو.برازش(ایکس، وای)، درجه دو.موفق، درجه دو.شمار رده‌ها، درجه دو.منظم‌سازی > ۰.۰، ماتریس.رشته شکل(درجه دو.میانگین‌ها)، درجه دو.کوواریانس‌ها.طول()، ماتریس.رشته شکل(درجه دو.لگاریتم پیشین‌ها)
    نشان("درجه دو"، درجه دو.پیش‌بینی(آزمون))
    سرچاپ ماتریس.رشته شکل(درجه دو.پیش‌بینی احتمال(آزمون))، گ(درجه دو.امتیاز(ایکس، وای))

    ناپایا خطی ب := یادگیری ماشین.ماشین بردار پشتیبان خطی { جریمه = ۱.۰ }
    سرچاپ خطی ب.برازش(ایکس، وای)، خطی ب.موفق، خطی ب.شمار رده‌ها، خطی ب.بیشترین دور، خطی ب.رواداری > ۰.۰، خطی ب.بذر، ماتریس.رشته شکل(خطی ب.ضریب‌ها)، ماتریس.رشته شکل(خطی ب.عرض از مبدأ)
    نشان("بردار پشتیبان خطی"، خطی ب.پیش‌بینی(آزمون))
    سرچاپ ماتریس.رشته شکل(خطی ب.تصمیم(آزمون))، گ(خطی ب.امتیاز(ایکس، وای))
    ناپایا هسته := یادگیری ماشین.دسته‌بند بردار پشتیبان { هسته = یادگیری ماشین.هسته شعاعی، جریمه = ۱۰.۰، گاما = ۰.۵ }
    سرچاپ هسته.برازش(ایکس، وای)، هسته.موفق، هسته.شمار رده‌ها، هسته.شمار بردار پشتیبان() > ۰، هسته.درجه، هسته.ضریب صفر، هسته.بیشترین دور، هسته.رواداری > ۰.۰، هسته.بذر
    سرچاپ ماتریس.رشته شکل(هسته.بردارهای پشتیبان)، ماتریس.رشته شکل(هسته.ضریب‌های دوگان)، ماتریس.رشته شکل(هسته.سوگیری)
    نشان("هسته شعاعی"، هسته.پیش‌بینی(آزمون))
    سرچاپ ماتریس.رشته شکل(هسته.تصمیم(آزمون))، گ(هسته.امتیاز(ایکس، وای))، یادگیری ماشین.هسته خطی، یادگیری ماشین.هسته چندجمله‌ای

    ناپایا واقعی := ساختن(۶، ۱، "0 0 1 1 1 0")
    ناپایا پیش := ساختن(۶، ۱، "0 1 1 1 0 0")
    ناپایا امتیاز := ساختن(۶، ۱، "0.1 0.6 0.8 0.9 0.4 0.2")
    سرچاپ گ(یادگیری ماشین.دقت(واقعی، پیش))، گ(یادگیری ماشین.صحت(واقعی، پیش، ۱.۰))، گ(یادگیری ماشین.بازیابی(واقعی، پیش، ۱.۰))، گ(یادگیری ماشین.اف یک(واقعی، پیش، ۱.۰))، گ(یادگیری ماشین.اف یک کلان(واقعی، پیش، ۲))
    نشان("درهم‌ریختگی"، یادگیری ماشین.ماتریس درهم‌ریختگی(واقعی، پیش، ۲))
    سرچاپ گ(یادگیری ماشین.سطح زیر منحنی(واقعی، امتیاز))، گ(یادگیری ماشین.میانگین صحت(واقعی، امتیاز))، گ(یادگیری ماشین.دقت متوازن(واقعی، پیش))، گ(یادگیری ماشین.ضریب همبستگی متیوز(واقعی، پیش))، گ(یادگیری ماشین.کاپای کوهن(واقعی، پیش))
    سرچاپ ماتریس.رشته شکل(یادگیری ماشین.منحنی راک(واقعی، امتیاز))، ماتریس.رشته شکل(یادگیری ماشین.منحنی صحت بازیابی(واقعی، امتیاز))
    ناپایا احتمال := ساختن(۶، ۲، "0.9 0.1 0.4 0.6 0.2 0.8 0.1 0.9 0.6 0.4 0.8 0.2")
    سرچاپ گ(یادگیری ماشین.خطای لگاریتمی(واقعی، احتمال))
    همسایه.آزادسازی()
    رگرسور.آزادسازی()
    گاوسی.آزادسازی()
    چندجمله‌ای.آزادسازی()
    خطی.آزادسازی()
    درجه دو.آزادسازی()
    خطی ب.آزادسازی()
    هسته.آزادسازی()
پایان
خروجیtrue true 2 16 0 8x2 8x1 true همسایه [0.000; 1.000] 2x2 1.000 0 true true false 0 16 0 8x2 8x1 false رگرسور [0.000; 1.000] 1.000 true true 2 true 2x2 2x2 2x1 گاوسی [0.000; 1.000] 2x2 1.000 true true true 2 2x3 2x1 چندجمله‌ای [0.000; 0.000; 1.000; 1.000] 4x2 4x2 1.000 true true 2 true 2x2 2x2 2x1 خطی [0.000; 1.000] 2x2 1.000 true true 2 true 2x2 2 2x1 درجه دو [0.000; 1.000] 2x2 1.000 true true 2 1000 true 42 2x1 1x1 بردار پشتیبان خطی [0.000; 1.000] 2x1 1.000 true true 2 true 3 1 20 true 42 8x2 8x1 1x1 هسته شعاعی [0.000; 1.000] 2x1 1.000 0 2 0.667 0.667 0.667 0.667 0.667 درهم‌ریختگی [2.000,1.000; 1.000,2.000] 0.889 0.917 0.667 0.333 0.333 7x3 6x3 0.415

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

بیز ساده چندجمله‌ای MultinomialNB

ساختار بیز ساده چندجمله‌ای
بیز ساده‌ی چندجمله‌ای برای شمارش‌ها، مثل دسته‌بندی متن.
نامانگلیسیگونهتوضیح
ضریب هموارسازیalphaاعشار۶۴ = 1هموارسازی لاپلاس برای شمارش‌های صفر.
یادگیری پیشینfit_priorمنطقی = درستاحتمال پیشین را از داده بیاموزد.
لگاریتم احتمالlog_probماتریس.ماتریسلگاریتم احتمال هر ویژگی در هر رده.
لگاریتم پیشین‌هاlog_priorsماتریس.ماتریسلگاریتم احتمال پیشین هر رده.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

تصمیم decision

تابع تصمیم(x &: ماتریس.ماتریس): ماتریس.ماتریس
امتیاز تصمیم پیش از تبدیل به رده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

جنگل تصادفی RandomForest

ساختار جنگل تصادفی
جنگل تصادفی: درخت‌های بسیار روی نمونه‌های تصادفی.
نامانگلیسیگونهتوضیح
شمار درخت‌هاn_treesصحیح = 100شمار درخت‌ها.
معیارcriterionصحیحمعیار شکاف، یکی از ثابت‌های معیار ....
بیشترین عمقmax_depthصحیح = 16بیشترین عمق درخت.
کمترین نمونه برگmin_samples_leafصحیح = 1کمترین نمونه در هر برگ.
بیشترین ویژگیmax_featuresصحیح = 0شمار ویژگی‌هایی که در هر شکاف آزموده می‌شوند؛ صفر یعنی همه.
بوت‌استرپbootstrapمنطقی = درستنمونه‌گیری با جای‌گذاری.
بذرseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
شمار نخ‌هاworkersصحیح = 0شمار نخ‌ها؛ صفر یعنی خودکار.
درخت‌هاtreesوکتور<درخت تصمیم>درخت‌ها.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

رگرسیون است is_regression

تابع رگرسیون است(): منطقی
مدل رگرسیون است، نه دسته‌بندی.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

آزادسازی درخت‌ها free_trees

تابع آزادسازی درخت‌ها()
درخت‌ها را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

مقیاس‌گر استاندارد StandardScaler

ساختار مقیاس‌گر استاندارد
هر ستون را با میانگین صفر و انحراف معیار یک می‌کند.
نامانگلیسیگونهتوضیح
با میانگینwith_meanمنطقی = درستمیانگین را کم کند.
با انحراف معیارwith_stdمنطقی = درستبر انحراف معیار تقسیم کند.
میانگینmeanماتریس.ماتریسمیانگین ستون‌ها.
انحراف معیارstdماتریس.ماتریسانحراف معیار ستون‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل transform

تابع تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
داده را تبدیل می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش سپس تبدیل fit_transform

تابع برازش سپس تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و سپس تبدیل همان داده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل معکوس inverse_transform

تابع تبدیل معکوس(x &: ماتریس.ماتریس): ماتریس.ماتریس
تبدیل را برمی‌گرداند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

مقیاس‌گر کمینه‌بیشینه MinMaxScaler

ساختار مقیاس‌گر کمینه‌بیشینه
هر ستون را به بازه‌ی lo تا hi می‌برد.
نامانگلیسیگونهتوضیح
کمینهloاعشار۶۴ = 0کمینه‌ی خروجی.
بیشینهhiاعشار۶۴ = 1بیشینه‌ی خروجی.
کمینه دادهdata_minماتریس.ماتریسکمینه‌ی ستون‌ها.
دامنه دادهdata_rangeماتریس.ماتریسدامنه‌ی ستون‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل transform

تابع تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
داده را تبدیل می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش سپس تبدیل fit_transform

تابع برازش سپس تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و سپس تبدیل همان داده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل معکوس inverse_transform

تابع تبدیل معکوس(x &: ماتریس.ماتریس): ماتریس.ماتریس
تبدیل را برمی‌گرداند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

رمزگذار برچسب LabelEncoder

ساختار رمزگذار برچسب
برچسب‌های متنی را به شماره تبدیل می‌کند.
نامانگلیسیگونهتوضیح
رده‌هاclassesوکتور<رشته>برچسب‌ها به ترتیب شماره.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش fit

تابع برازش(labels &: وکتور<رشته>): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

نمایه index_of

تابع نمایه(label: رشته): صحیح
شماره‌ی یک برچسب؛ اگر نباشد، ۱-.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل transform

تابع تبدیل(labels &: وکتور<رشته>): ماتریس.ماتریس
داده را تبدیل می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش سپس تبدیل fit_transform

تابع برازش سپس تبدیل(labels &: وکتور<رشته>): ماتریس.ماتریس
برازش و سپس تبدیل همان داده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل معکوس inverse_transform

تابع تبدیل معکوس(y &: ماتریس.ماتریس): وکتور<رشته>
تبدیل را برمی‌گرداند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

رمزگذار تک‌داغ OneHotEncoder

ساختار رمزگذار تک‌داغ
شماره‌ی رده را به بردار تک‌داغ تبدیل می‌کند.
نامانگلیسیگونهتوضیح
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش fit

تابع برازش(y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل transform

تابع تبدیل(y &: ماتریس.ماتریس): ماتریس.ماتریس
داده را تبدیل می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش سپس تبدیل fit_transform

تابع برازش سپس تبدیل(y &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و سپس تبدیل همان داده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل معکوس inverse_transform

تابع تبدیل معکوس(onehot &: ماتریس.ماتریس): ماتریس.ماتریس
تبدیل را برمی‌گرداند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

جایگذار ساده SimpleImputer

ساختار جایگذار ساده
جاهای خالی، یعنی NaN، را پر می‌کند.
نامانگلیسیگونهتوضیح
راهبردstrategyصحیحروش، یکی از ثابت‌های جایگذاری ....
مقدار پرکنندهfillاعشار۶۴ = 0مقدار برای روش ثابت.
آمارهاstatsماتریس.ماتریسمقدار جایگزین هر ستون.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل transform

تابع تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
داده را تبدیل می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش سپس تبدیل fit_transform

تابع برازش سپس تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و سپس تبدیل همان داده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

ویژگی چندجمله‌ای PolynomialFeatures

ساختار ویژگی چندجمله‌ای
ویژگی‌های چندجمله‌ای و ضرب‌های متقابل.
نامانگلیسیگونهتوضیح
درجهdegreeصحیح = 2درجه.
شامل سوگیریinclude_biasمنطقی = نادرستستون یک را هم بیفزاید.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل transform

تابع تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
داده را تبدیل می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تی‌اس‌ان‌ای TSNE

ساختار تی‌اس‌ان‌ای
t-SNE برای نمایش داده‌ی پربعد در دو یا سه بعد.
نامانگلیسیگونهتوضیح
شمار مؤلفه‌هاn_componentsصحیح = 2شمار مؤلفه‌ها.
سرگشتگیperplexityاعشار۶۴ = 30سرگشتگی؛ تقریباً شمار همسایه‌های مؤثر.
نرخ یادگیریlearning_rateاعشار۶۴ = 0نرخ یادگیری.
شمار تکرارهاn_iterصحیح = 500شمار تکرارهای انجام‌شده.
بزرگ‌نمایی آغازینearly_exaggerationاعشار۶۴ = 12بزرگ‌نمایی آغازین.
بذرseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
جاسازیembeddingماتریس.ماتریسنقطه‌های خروجی.
واگرایی کی الklاعشار۶۴ = 0واگرایی KL پایانی.
موفقokمنطقی = نادرستبرازش موفق بود.
ai-ml-Cluster.salam
واردسازی هوش مصنوعی.یادگیری ماشین
واردسازی ماتریس

تابع ساختن(سطرها: صحیح، ستون‌ها: صحیح، اعداد: رشته): ماتریس.ماتریس:
    ناپایا داده := وکتور {} برگردان وکتور<اعشار۶۴>
    هر عدد در اعداد.بشکاف(" "):
        داده.بیفزا(عدد.به اعشار())
    پایان
    برگشت ماتریس.از آرایه(سطرها، ستون‌ها، داده)
پایان

تابع گ(عدد: اعشار۶۴): رشته:
    برگشت ماتریس.به رشته با دقت(ماتریس.پرشده(۱، ۱، عدد)، ۳)
پایان

تابع ریشه:
    ناپایا ایکس := ساختن(۸، ۲، "1 1 1 2 2 1 2 2 8 8 8 9 9 8 9 9")
    ناپایا واقعی := ساختن(۸، ۱، "0 0 0 0 1 1 1 1")

    ناپایا کا := یادگیری ماشین.کی میانگین { شمار خوشه‌ها = ۲، بذر = ۱ }
    ناپایا برچسب := کا.برازش سپس پیش‌بینی(ایکس)
    سرچاپ کا.موفق، کا.شمار تکرارها > ۰، گ(کا.لختی)، ماتریس.رشته شکل(کا.مرکزها)، کا.بیشترین دور، کا.رواداری > ۰.۰، کا.شمار اجراها، کا.شمار نخ‌ها
    سرچاپ برچسب.عنصر(۰، ۰) != برچسب.عنصر(۴، ۰)، گ(یادگیری ماشین.شاخص رند تعدیل‌شده(برچسب، واقعی))، گ(یادگیری ماشین.امتیاز سایه‌نما(ایکس، برچسب))
    سرچاپ کا.برازش(ایکس)، ماتریس.رشته شکل(کا.پیش‌بینی(ایکس))
    ناپایا کوچک := یادگیری ماشین.کی میانگین دسته کوچک { شمار خوشه‌ها = ۲، اندازه دسته = ۴، بیشترین دور = ۵۰، بذر = ۲ }
    سرچاپ کوچک.برازش(ایکس)، کوچک.موفق، ماتریس.رشته شکل(کوچک.مرکزها)، گ(یادگیری ماشین.شاخص رند تعدیل‌شده(کوچک.برازش سپس پیش‌بینی(ایکس)، واقعی))، ماتریس.رشته شکل(کوچک.پیش‌بینی(ایکس))

    ناپایا چگالی := یادگیری ماشین.دی‌بی‌اسکن { شعاع همسایگی = ۱.۵، کمترین نمونه = ۳ }
    ناپایا خوشه‌ها := چگالی.برازش سپس پیش‌بینی(ایکس)
    سرچاپ چگالی.موفق، چگالی.شمار خوشه‌ها، ماتریس.رشته شکل(چگالی.برچسب‌ها)، گ(یادگیری ماشین.شاخص رند تعدیل‌شده(خوشه‌ها، واقعی))، چگالی.برازش(ایکس)

    ناپایا تجمیعی := یادگیری ماشین.خوشه‌بندی تجمیعی { شمار خوشه‌ها = ۲، پیوند = یادگیری ماشین.پیوند میانگین }
    سرچاپ گ(یادگیری ماشین.شاخص رند تعدیل‌شده(تجمیعی.برازش سپس پیش‌بینی(ایکس)، واقعی))، تجمیعی.موفق، ماتریس.رشته شکل(تجمیعی.برچسب‌ها)، تجمیعی.برازش(ایکس)
    سرچاپ یادگیری ماشین.پیوند تکی، یادگیری ماشین.پیوند کامل

    ناپایا آمیزه := یادگیری ماشین.آمیزه گاوسی { شمار مؤلفه‌ها = ۲، بذر = ۳ }
    سرچاپ گ(یادگیری ماشین.شاخص رند تعدیل‌شده(آمیزه.برازش سپس پیش‌بینی(ایکس)، واقعی))، آمیزه.موفق، آمیزه.شمار تکرارها > ۰، آمیزه.لگاریتم راست‌نمایی != ۰.۰، آمیزه.بیشترین دور، آمیزه.رواداری > ۰.۰، آمیزه.کف واریانس > ۰.۰
    سرچاپ ماتریس.رشته شکل(آمیزه.میانگین‌ها)، ماتریس.رشته شکل(آمیزه.واریانس‌ها)، ماتریس.رشته شکل(آمیزه.وزن‌ها)، آمیزه.برازش(ایکس)
    سرچاپ ماتریس.رشته شکل(آمیزه.پیش‌بینی(ایکس))، ماتریس.رشته شکل(آمیزه.پیش‌بینی احتمال(ایکس))

    ناپایا تسنه := یادگیری ماشین.تی‌اس‌ان‌ای { شمار مؤلفه‌ها = ۲، سرگشتگی = ۲.۰، شمار تکرارها = ۲۵۰، بذر = ۴ }
    ناپایا جاسازی := تسنه.برازش سپس تبدیل(ایکس)
    سرچاپ تسنه.موفق، ماتریس.رشته شکل(جاسازی)، ماتریس.رشته شکل(تسنه.جاسازی)، تسنه.واگرایی کی ال >= ۰.۰، تسنه.نرخ یادگیری، تسنه.بزرگ‌نمایی آغازین
    کا.آزادسازی()
    کوچک.آزادسازی()
    چگالی.آزادسازی()
    تجمیعی.آزادسازی()
    آمیزه.آزادسازی()
    تسنه.آزادسازی()
پایان
خروجیtrue true 4.000 2x2 300 true 3 0 true 1.000 0.885 true 8x1 true true 2x2 1.000 8x1 true 2 8x1 1.000 true 1.000 true 8x1 true 0 1 1.000 true true true 100 true true 2x2 2x2 2x1 true 8x1 8x2 true 8x2 8x2 true 0 12

برازش سپس تبدیل fit_transform

تابع برازش سپس تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و سپس تبدیل همان داده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

ماشین بردار پشتیبان خطی LinearSVM

ساختار ماشین بردار پشتیبان خطی
ماشین بردار پشتیبان خطی.
نامانگلیسیگونهتوضیح
جریمهcاعشار۶۴ = 1جریمه‌ی خطا؛ بزرگ‌تر یعنی مرز سخت‌تر.
بیشترین دورmax_iterصحیح = 1000بیشترین شمار تکرار.
رواداریtolاعشار۶۴ = 0.0001رواداری همگرایی.
بذرseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
ضریب‌هاcoefماتریس.ماتریسضریب‌ها.
عرض از مبدأinterceptماتریس.ماتریسعرض از مبدأ.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

تصمیم decision

تابع تصمیم(x &: ماتریس.ماتریس): ماتریس.ماتریس
امتیاز تصمیم پیش از تبدیل به رده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

دسته‌بند بردار پشتیبان SVC

ساختار دسته‌بند بردار پشتیبان
ماشین بردار پشتیبان با هسته.
نامانگلیسیگونهتوضیح
جریمهcاعشار۶۴ = 1جریمه‌ی خطا؛ بزرگ‌تر یعنی مرز سخت‌تر.
هستهkernelصحیحهسته، یکی از ثابت‌های هسته ....
گاماgammaاعشار۶۴ = 0پارامتر هسته‌ی شعاعی؛ صفر یعنی خودکار.
درجهdegreeصحیح = 3درجه‌ی هسته‌ی چندجمله‌ای.
ضریب صفرcoef0اعشار۶۴ = 1ثابت هسته‌ی چندجمله‌ای.
بیشترین دورmax_passesصحیح = 20بیشترین دورهای بی‌تغییر SMO.
رواداریtolاعشار۶۴ = 0.001رواداری همگرایی.
بذرseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
بردارهای پشتیبانsupportماتریس.ماتریسبردارهای پشتیبان.
ضریب‌های دوگانdualماتریس.ماتریسضریب‌های دوگان.
سوگیریbiasماتریس.ماتریسسوگیری.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

تصمیم decision

تابع تصمیم(x &: ماتریس.ماتریس): ماتریس.ماتریس
امتیاز تصمیم پیش از تبدیل به رده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

شمار بردار پشتیبان n_support

تابع شمار بردار پشتیبان(): صحیح
شمار بردارهای پشتیبان.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

آدابوست AdaBoost

ساختار آدابوست
آدابوست با درخت‌های کم‌عمق.
نامانگلیسیگونهتوضیح
شمار برآوردگرهاn_estimatorsصحیح = 50شمار برآوردگرها.
بیشترین عمقmax_depthصحیح = 1بیشترین عمق درخت.
نرخ یادگیریlearning_rateاعشار۶۴ = 1نرخ یادگیری.
بذرseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
درخت‌هاtreesوکتور<درخت تصمیم>درخت‌ها.
وزن درخت‌هاalphasوکتور<اعشار۶۴>وزن هر درخت.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

آزادسازی همه free_all

تابع آزادسازی همه()
همه‌ی درخت‌ها را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

تقویت گرادیانی GradientBoosting

ساختار تقویت گرادیانی
تقویت گرادیانی با درخت.
نامانگلیسیگونهتوضیح
شمار برآوردگرهاn_estimatorsصحیح = 100شمار برآوردگرها.
نرخ یادگیریlearning_rateاعشار۶۴ = 0.1نرخ یادگیری.
بیشترین عمقmax_depthصحیح = 3بیشترین عمق درخت.
کمترین نمونه برگmin_samples_leafصحیح = 1کمترین نمونه در هر برگ.
رگرسیونregressionمنطقی = نادرسترگرسیون به جای دسته‌بندی.
درخت‌هاtreesوکتور<درخت تصمیم>درخت‌ها.
پیش‌بینی پایهbaseماتریس.ماتریسپیش‌بینی آغازین.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

تصمیم decision

تابع تصمیم(x &: ماتریس.ماتریس): ماتریس.ماتریس
امتیاز تصمیم پیش از تبدیل به رده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

آزادسازی همه free_all

تابع آزادسازی همه()
همه‌ی درخت‌ها را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

درخت کی‌دی KDTree

ساختار درخت کی‌دی
درخت کی‌دی برای جستجوی نزدیک‌ترین همسایه.
نامانگلیسیگونهتوضیح
اندازه برگleaf_sizeصحیح = 16اندازه‌ی برگ درخت کی‌دی.
دادهxماتریس.ماتریسداده.
جایگشتidxوکتور<صحیح>جایگشت سطرها.
آغاز گره‌هاnode_loوکتور<صحیح>آغاز سطرهای هر گره.
انتهای گره‌هاnode_hiوکتور<صحیح>پایان سطرهای هر گره.
بعد گره‌هاnode_dimوکتور<صحیح>بعد شکاف هر گره.
شکاف گره‌هاnode_splitوکتور<اعشار۶۴>مقدار شکاف هر گره.
فرزند چپ گره‌هاnode_leftوکتور<صحیح>فرزند چپ.
فرزند راست گره‌هاnode_rightوکتور<صحیح>فرزند راست.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

ساخت build

تابع ساخت(x &: ماتریس.ماتریس): منطقی
درخت را از داده می‌سازد.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

شمار گره node_count

تابع شمار گره(): صحیح
شمار گره‌ها.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پرس‌وجو query

تابع پرس‌وجو(q &: ماتریس.ماتریس، qi: صحیح، k: صحیح، dist_out &: وکتور<اعشار۶۴>): وکتور<صحیح>
k نزدیک‌ترین همسایه‌ی سطر qi و فاصله‌هایشان.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

تحلیل مؤلفه اصلی PCA

ساختار تحلیل مؤلفه اصلی
تحلیل مؤلفه‌های اصلی برای کاهش بعد.
نامانگلیسیگونهتوضیح
شمار مؤلفه‌هاn_componentsصحیح = 0شمار مؤلفه‌ها.
مؤلفه‌هاcomponentsماتریس.ماتریسمؤلفه‌ها.
میانگینmeanماتریس.ماتریسمیانگین ستون‌ها.
واریانس توضیح‌داده‌شدهexplained_varianceماتریس.ماتریسواریانس هر مؤلفه.
نسبت توضیح‌داده‌شدهexplained_ratioماتریس.ماتریسسهم هر مؤلفه از واریانس.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل transform

تابع تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
داده را تبدیل می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش سپس تبدیل fit_transform

تابع برازش سپس تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و سپس تبدیل همان داده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل معکوس inverse_transform

تابع تبدیل معکوس(z &: ماتریس.ماتریس): ماتریس.ماتریس
تبدیل را برمی‌گرداند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تجزیه مقادیر تکین بریده TruncatedSVD

ساختار تجزیه مقادیر تکین بریده
تجزیه‌ی مقادیر تکین بریده؛ مثل PCA بی کم کردن میانگین، برای داده‌ی تنک.
نامانگلیسیگونهتوضیح
شمار مؤلفه‌هاn_componentsصحیح = 2شمار مؤلفه‌ها.
مؤلفه‌هاcomponentsماتریس.ماتریسمؤلفه‌ها.
مقدارهای تکینsingular_valuesماتریس.ماتریسمقادیر تکین.
واریانس توضیح‌داده‌شدهexplained_varianceماتریس.ماتریسواریانس هر مؤلفه.
نسبت توضیح‌داده‌شدهexplained_ratioماتریس.ماتریسسهم هر مؤلفه از واریانس.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل transform

تابع تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
داده را تبدیل می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

برازش سپس تبدیل fit_transform

تابع برازش سپس تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و سپس تبدیل همان داده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

تبدیل معکوس inverse_transform

تابع تبدیل معکوس(z &: ماتریس.ماتریس): ماتریس.ماتریس
تبدیل را برمی‌گرداند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

آمیزه گاوسی GaussianMixture

ساختار آمیزه گاوسی
مدل آمیزه‌ی گاوسی با EM.
نامانگلیسیگونهتوضیح
شمار مؤلفه‌هاkصحیح = 2شمار همسایه‌ها یا خوشه‌ها.
بیشترین دورmax_iterصحیح = 100بیشترین شمار تکرار.
رواداریtolاعشار۶۴ = 0.0001رواداری همگرایی.
کف واریانسvar_floorاعشار۶۴ = 1e-06کمترین واریانس.
بذرseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
میانگین‌هاmeansماتریس.ماتریسمیانگین هر رده.
واریانس‌هاvarsماتریس.ماتریسواریانس‌ها.
وزن‌هاweightsماتریس.ماتریسوزن هر مؤلفه.
لگاریتم راست‌نماییlog_likelihoodاعشار۶۴ = 0لگاریتم درست‌نمایی.
شمار تکرارهاn_iterصحیح = 0شمار تکرارهای انجام‌شده.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

برازش سپس پیش‌بینی fit_predict

تابع برازش سپس پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و برچسب خوشه‌ی هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

خوشه‌بندی تجمیعی Agglomerative

ساختار خوشه‌بندی تجمیعی
خوشه‌بندی سلسله‌مراتبی تجمیعی.
نامانگلیسیگونهتوضیح
شمار خوشه‌هاn_clustersصحیح = 2شمار خوشه‌ها.
پیوندlinkageصحیحروش پیوند، یکی از ثابت‌های پیوند ....
برچسب‌هاlabelsماتریس.ماتریسبرچسب خوشه‌ی هر سطر.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

برازش سپس پیش‌بینی fit_predict

تابع برازش سپس پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و برچسب خوشه‌ی هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

کی میانگین دسته کوچک MiniBatchKMeans

ساختار کی میانگین دسته کوچک
کی میانگین با دسته‌های کوچک؛ برای داده‌ی بزرگ.
نامانگلیسیگونهتوضیح
شمار خوشه‌هاkصحیح = 8شمار همسایه‌ها یا خوشه‌ها.
اندازه دستهbatch_sizeصحیح = 64اندازه‌ی دسته.
بیشترین دورmax_iterصحیح = 200بیشترین شمار تکرار.
بذرseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
مرکزهاcentersماتریس.ماتریسمرکز خوشه‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

برازش سپس پیش‌بینی fit_predict

تابع برازش سپس پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و برچسب خوشه‌ی هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

دسته‌بند نزدیک‌ترین همسایه KNNClassifier

ساختار دسته‌بند نزدیک‌ترین همسایه
دسته‌بند k نزدیک‌ترین همسایه.
نامانگلیسیگونهتوضیح
شمار همسایه‌هاkصحیح = 5شمار همسایه‌ها یا خوشه‌ها.
وزن‌دارweightedمنطقی = نادرستوزن همسایه‌ها با عکس فاصله.
الگوریتمalgorithmصحیحروش جستجو، یکی از ثابت‌های همسایه ....
اندازه برگleaf_sizeصحیح = 16اندازه‌ی برگ درخت کی‌دی.
شمار نخ‌هاworkersصحیح = 0شمار نخ‌ها؛ صفر یعنی خودکار.
ویژگی‌های آموزشxtrainماتریس.ماتریسداده‌ی آموزش.
برچسب‌های آموزشytrainماتریس.ماتریسبرچسب‌های آموزش.
درختtreeدرخت کی‌دیدرخت کی‌دی.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Select.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

رگرسور نزدیک‌ترین همسایه KNNRegressor

ساختار رگرسور نزدیک‌ترین همسایه
رگرسور k نزدیک‌ترین همسایه.
نامانگلیسیگونهتوضیح
شمار همسایه‌هاkصحیح = 5شمار همسایه‌ها یا خوشه‌ها.
وزن‌دارweightedمنطقی = نادرستوزن همسایه‌ها با عکس فاصله.
الگوریتمalgorithmصحیحروش جستجو، یکی از ثابت‌های همسایه ....
اندازه برگleaf_sizeصحیح = 16اندازه‌ی برگ درخت کی‌دی.
شمار نخ‌هاworkersصحیح = 0شمار نخ‌ها؛ صفر یعنی خودکار.
ویژگی‌های آموزشxtrainماتریس.ماتریسداده‌ی آموزش.
برچسب‌های آموزشytrainماتریس.ماتریسبرچسب‌های آموزش.
درختtreeدرخت کی‌دیدرخت کی‌دی.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

تحلیل تشخیصی خطی LDA

ساختار تحلیل تشخیصی خطی
تحلیل تشخیصی خطی.
نامانگلیسیگونهتوضیح
منظم‌سازیridgeاعشار۶۴ = 1e-06منظم‌سازی کوواریانس برای پایداری.
میانگین‌هاmeansماتریس.ماتریسمیانگین هر رده.
کوواریانسcovماتریس.ماتریسکوواریانس مشترک.
لگاریتم پیشین‌هاlog_priorsماتریس.ماتریسلگاریتم احتمال پیشین هر رده.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

تحلیل تشخیصی درجه دو QDA

ساختار تحلیل تشخیصی درجه دو
تحلیل تشخیصی درجه دو، با کوواریانس جدا برای هر رده.
نامانگلیسیگونهتوضیح
منظم‌سازیridgeاعشار۶۴ = 1e-06منظم‌سازی کوواریانس برای پایداری.
میانگین‌هاmeansماتریس.ماتریسمیانگین هر رده.
کوواریانس‌هاcovsوکتور<ماتریس.ماتریس>کوواریانس هر رده.
لگاریتم پیشین‌هاlog_priorsماتریس.ماتریسلگاریتم احتمال پیشین هر رده.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

کی میانگین KMeans

ساختار کی میانگین
خوشه‌بندی کی میانگین.
نامانگلیسیگونهتوضیح
شمار خوشه‌هاkصحیح = 8شمار همسایه‌ها یا خوشه‌ها.
بیشترین دورmax_iterصحیح = 300بیشترین شمار تکرار.
رواداریtolاعشار۶۴ = 0.0001رواداری همگرایی.
شمار اجراهاn_initصحیح = 3شمار اجرا با آغاز متفاوت؛ بهترین نگه داشته می‌شود.
بذرseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
شمار نخ‌هاworkersصحیح = 0شمار نخ‌ها؛ صفر یعنی خودکار.
مرکزهاcentersماتریس.ماتریسمرکز خوشه‌ها.
لختیinertiaاعشار۶۴ = 0مجموع مربع فاصله‌ها تا مرکزها.
شمار تکرارهاn_iterصحیح = 0شمار تکرارهای انجام‌شده.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

برازش سپس پیش‌بینی fit_predict

تابع برازش سپس پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و برچسب خوشه‌ی هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

تبدیل transform

تابع تبدیل(x &: ماتریس.ماتریس): ماتریس.ماتریس
داده را تبدیل می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

دی‌بی‌اسکن DBSCAN

ساختار دی‌بی‌اسکن
خوشه‌بندی چگالی؛ شمار خوشه‌ها را خودش پیدا می‌کند و نویز را جدا می‌کند.
نامانگلیسیگونهتوضیح
شعاع همسایگیepsاعشار۶۴ = 0.5شعاع همسایگی.
کمترین نمونهmin_samplesصحیح = 5کمترین همسایه برای نقطه‌ی هسته.
برچسب‌هاlabelsماتریس.ماتریسبرچسب خوشه‌ی هر سطر؛ ۱- یعنی نویز.
شمار خوشه‌هاn_clustersصحیح = 0شمار خوشه‌های پیدا شده.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

برازش سپس پیش‌بینی fit_predict

تابع برازش سپس پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
برازش و برچسب خوشه‌ی هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

درخت تصمیم DecisionTree

ساختار درخت تصمیم
درخت تصمیم برای دسته‌بندی یا رگرسیون.
نامانگلیسیگونهتوضیح
معیارcriterionصحیحمعیار شکاف، یکی از ثابت‌های معیار ....
بیشترین عمقmax_depthصحیح = 16بیشترین عمق درخت.
کمترین نمونه شکافmin_samples_splitصحیح = 2کمترین نمونه برای شکافتن گره.
کمترین نمونه برگmin_samples_leafصحیح = 1کمترین نمونه در هر برگ.
بیشترین ویژگیmax_featuresصحیح = 0شمار ویژگی‌هایی که در هر شکاف آزموده می‌شوند؛ صفر یعنی همه.
بذرseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
شمار رده‌ی پیشنهادیn_classes_hintصحیح = 0شمار رده‌ها اگر از پیش معلوم است.
ویژگیfeatureوکتور<صحیح>ویژگی شکاف هر گره.
آستانهthresholdوکتور<اعشار۶۴>آستانه‌ی شکاف هر گره.
چپleftوکتور<صحیح>فرزند چپ هر گره.
راستrightوکتور<صحیح>فرزند راست هر گره.
مقدارvalueماتریس.ماتریسمقدار یا احتمال برگ‌ها.
شمار رده‌هاn_classesصحیح = 0شمار رده‌ها.
موفقokمنطقی = نادرستبرازش موفق بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

رگرسیون است is_regression

تابع رگرسیون است(): منطقی
مدل رگرسیون است، نه دسته‌بندی.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

شمار گره node_count

تابع شمار گره(): صحیح
شمار گره‌ها.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

برازش fit

تابع برازش(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

اعمال سطر apply_row

تابع اعمال سطر(x &: ماتریس.ماتریس، i: صحیح): صحیح
برگی که سطر به آن می‌رسد.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

پیش‌بینی احتمال predict_proba

تابع پیش‌بینی احتمال(x &: ماتریس.ماتریس): ماتریس.ماتریس
احتمال هر رده برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

پیش‌بینی predict

تابع پیش‌بینی(x &: ماتریس.ماتریس): ماتریس.ماتریس
پیش‌بینی برای هر سطر.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

امتیاز score

تابع امتیاز(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس): اعشار۶۴
امتیاز روی داده؛ دقت برای دسته‌بندی و ضریب تعیین برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

آزادسازی free

تابع آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

پایاها و متغیرها

معیار جینی TREE_GINI

پایا معیار جینی: صحیح۳۲ = 0
معیار شکاف: جینی.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

معیار آنتروپی TREE_ENTROPY

پایا معیار آنتروپی: صحیح۳۲ = 1
معیار شکاف: آنتروپی.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

معیار میانگین مربعات TREE_MSE

پایا معیار میانگین مربعات: صحیح۳۲ = 2
معیار شکاف: میانگین مربعات، برای رگرسیون.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

جایگذاری میانگین IMPUTE_MEAN

پایا جایگذاری میانگین: صحیح۳۲ = 0
جایگذاری با میانگین.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

جایگذاری میانه IMPUTE_MEDIAN

پایا جایگذاری میانه: صحیح۳۲ = 1
جایگذاری با میانه.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

جایگذاری ثابت IMPUTE_CONSTANT

پایا جایگذاری ثابت: صحیح۳۲ = 2
جایگذاری با مقدار ثابت.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

رواداری یادگیری ML_TOL

پایا رواداری یادگیری: اعشار۶۴ = 1e-06
رواداری پیش‌فرض.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

هسته خطی KERNEL_LINEAR

پایا هسته خطی: صحیح۳۲ = 0
هسته‌ی خطی.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

هسته شعاعی KERNEL_RBF

پایا هسته شعاعی: صحیح۳۲ = 1
هسته‌ی شعاعی گاوسی.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

هسته چندجمله‌ای KERNEL_POLY

پایا هسته چندجمله‌ای: صحیح۳۲ = 2
هسته‌ی چندجمله‌ای.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

همسایه جستجوی کامل KNN_BRUTE

پایا همسایه جستجوی کامل: صحیح۳۲ = 0
جستجوی همسایه: مقایسه با همه.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

همسایه درخت کی‌دی KNN_KDTREE

پایا همسایه درخت کی‌دی: صحیح۳۲ = 1
جستجوی همسایه: درخت کی‌دی، سریع برای بعد کم.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

پایا پیوند تکی: صحیح۳۲ = 0
پیوند: نزدیک‌ترین دو عضو.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

پایا پیوند کامل: صحیح۳۲ = 1
پیوند: دورترین دو عضو.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

پایا پیوند میانگین: صحیح۳۲ = 2
پیوند: میانگین فاصله‌ها.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

تابع‌ها

تقسیم آموزش‌آزمون TrainTestSplit

تابع تقسیم آموزش‌آزمون(x &: ماتریس.ماتریس، y &: ماتریس.ماتریس، test_frac: اعشار۶۴، seed: صحیح۶۴): تقسیم
داده را با بذر به آموزش و آزمون تقسیم می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

کی برش KFold

تابع کی برش(n: صحیح، k: صحیح، shuffle: منطقی، seed: صحیح۶۴): برش‌ها
k برش، با بُر زدن اختیاری.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

کی برش طبقه‌ای StratifiedKFold

تابع کی برش طبقه‌ای(y &: ماتریس.ماتریس، k: صحیح، seed: صحیح۶۴): برش‌ها
k برش با نسبت یکسان رده‌ها در هر برش.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

امتیاز اعتبارسنجی متقاطع CrossValScore

تابع امتیاز اعتبارسنجی متقاطع(fitpred: تابع(ماتریس.ماتریس، ماتریس.ماتریس، ماتریس.ماتریس): ماتریس.ماتریس، metric: تابع(ماتریس.ماتریس، ماتریس.ماتریس): اعشار۶۴، x &: ماتریس.ماتریس، y &: ماتریس.ماتریس، folds &: برش‌ها): وکتور<اعشار۶۴>
امتیاز هر برش با تابع برازش و پیش‌بینی و تابع امتیاز.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Select.salam

میانگین امتیاز MeanScore

تابع میانگین امتیاز(scores &: وکتور<اعشار۶۴>): اعشار۶۴
میانگین امتیازها.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Select.salam

امتیاز اعتبارسنجی متقاطع موازی CrossValScoreParallel

تابع امتیاز اعتبارسنجی متقاطع موازی(fitpred: تابع(ماتریس.ماتریس، ماتریس.ماتریس، ماتریس.ماتریس): ماتریس.ماتریس، metric: تابع(ماتریس.ماتریس، ماتریس.ماتریس): اعشار۶۴، x &: ماتریس.ماتریس، y &: ماتریس.ماتریس، folds &: برش‌ها، workers: صحیح): وکتور<اعشار۶۴>
همان، با چند نخ.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Select.salam

جستجوی شبکه‌ای GridSearch

تابع جستجوی شبکه‌ای(candidates &: وکتور<نامزد>، metric: تابع(ماتریس.ماتریس، ماتریس.ماتریس): اعشار۶۴، x &: ماتریس.ماتریس، y &: ماتریس.ماتریس، folds &: برش‌ها، workers: صحیح): نتیجه جستجوی شبکه‌ای
بهترین نامزد را با اعتبارسنجی متقاطع پیدا می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Select.salam

شبکه کشسان جدید NewElasticNet

تابع شبکه کشسان جدید(alpha: اعشار۶۴، l1_ratio: اعشار۶۴): لاسو
شبکه‌ی کشسان: ترکیب L1 و L2.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

امتیاز سایه‌نما SilhouetteScore

تابع امتیاز سایه‌نما(x &: ماتریس.ماتریس، labels &: ماتریس.ماتریس): اعشار۶۴
امتیاز سایه‌نما؛ نزدیک یک یعنی خوشه‌های جدا و فشرده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

شاخص رند تعدیل‌شده AdjustedRandIndex

تابع شاخص رند تعدیل‌شده(a &: ماتریس.ماتریس، b &: ماتریس.ماتریس): اعشار۶۴
شاخص رند تعدیل‌شده؛ یک یعنی برچسب‌ها همان خوشه‌بندی واقعی‌اند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Cluster.salam

برچسب به عدد LabelsToInts

تابع برچسب به عدد(y &: ماتریس.ماتریس): وکتور<صحیح>
برچسب‌های اعشاری به عدد صحیح.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

شمارش رده‌ها CountClasses

تابع شمارش رده‌ها(y &: ماتریس.ماتریس): صحیح
شمار رده‌ها.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Prep.salam

درخت کی‌دی جدید NewKDTree

تابع درخت کی‌دی جدید(x &: ماتریس.ماتریس، leaf_size: صحیح): درخت کی‌دی
درخت کی‌دی از داده با اندازه‌ی برگ.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Trees.salam

دقت Accuracy

تابع دقت(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس): اعشار۶۴
دقت: سهم پیش‌بینی‌های درست.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

ماتریس درهم‌ریختگی ConfusionMatrix

تابع ماتریس درهم‌ریختگی(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس، n_classes: صحیح): ماتریس.ماتریس
ماتریس درهم‌ریختگی؛ سطر رده‌ی واقعی و ستون پیش‌بینی.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

صحت Precision

تابع صحت(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس، positive: اعشار۶۴): اعشار۶۴
صحت: از پیش‌بینی‌های مثبت چند تا درست بود.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

بازیابی Recall

تابع بازیابی(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس، positive: اعشار۶۴): اعشار۶۴
بازیابی: از مثبت‌های واقعی چند تا پیدا شد.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

اف یک F1

تابع اف یک(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس، positive: اعشار۶۴): اعشار۶۴
میانگین هارمونیک صحت و بازیابی.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

اف یک کلان MacroF1

تابع اف یک کلان(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس، n_classes: صحیح): اعشار۶۴
میانگین F1 همه‌ی رده‌ها.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

سطح زیر منحنی RocAuc

تابع سطح زیر منحنی(y &: ماتریس.ماتریس، score &: ماتریس.ماتریس): اعشار۶۴
سطح زیر منحنی ROC.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

خطای لگاریتمی LogLoss

تابع خطای لگاریتمی(y &: ماتریس.ماتریس، proba &: ماتریس.ماتریس): اعشار۶۴
خطای لگاریتمی احتمال‌ها.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

میانگین مربعات خطا MSE

تابع میانگین مربعات خطا(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس): اعشار۶۴
میانگین مربعات خطا.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

میانگین قدرمطلق خطا MAE

تابع میانگین قدرمطلق خطا(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس): اعشار۶۴
میانگین قدرمطلق خطا.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

ریشه میانگین مربعات خطا RMSE

تابع ریشه میانگین مربعات خطا(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس): اعشار۶۴
ریشه‌ی میانگین مربعات خطا.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

ضریب تعیین R2Score

تابع ضریب تعیین(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس): اعشار۶۴
ضریب تعیین.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

منحنی راک RocCurve

تابع منحنی راک(y &: ماتریس.ماتریس، score &: ماتریس.ماتریس): ماتریس.ماتریس
نقطه‌های منحنی ROC: نرخ مثبت کاذب، نرخ مثبت درست و آستانه.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

منحنی صحت بازیابی PrecisionRecallCurve

تابع منحنی صحت بازیابی(y &: ماتریس.ماتریس، score &: ماتریس.ماتریس): ماتریس.ماتریس
نقطه‌های منحنی صحت و بازیابی.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

میانگین صحت AveragePrecision

تابع میانگین صحت(y &: ماتریس.ماتریس، score &: ماتریس.ماتریس): اعشار۶۴
میانگین صحت.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

دقت متوازن BalancedAccuracy

تابع دقت متوازن(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس): اعشار۶۴
دقت متوازن برای رده‌های نامتوازن.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

ضریب همبستگی متیوز MatthewsCorrCoef

تابع ضریب همبستگی متیوز(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس): اعشار۶۴
ضریب همبستگی متیوز.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

کاپای کوهن CohenKappa

تابع کاپای کوهن(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس): اعشار۶۴
کاپای کوهن.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Classify.salam

واریانس تبیین‌شده ExplainedVariance

تابع واریانس تبیین‌شده(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس): اعشار۶۴
واریانس تبیین‌شده.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

میانه خطای مطلق MedianAbsoluteError

تابع میانه خطای مطلق(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس): اعشار۶۴
میانه‌ی خطای مطلق.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam

میانگین درصد خطای مطلق MAPE

تابع میانگین درصد خطای مطلق(y &: ماتریس.ماتریس، pred &: ماتریس.ماتریس): اعشار۶۴
میانگین درصد خطای مطلق.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: ai-ml-Linear.salam