زبان سلام
ویرایشگر آنلاین

کتابخانه‌ی استاندارد · یادگیری ماشین

یادگیری ماشین ml

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

واردسازی یادگیری ماشین
در این صفحه
  1. گونه‌ها
  2. پایاها و متغیرها
  3. روال‌ها

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.

گونه‌ها

تقسیم Split

ساختار تقسیم
داده‌ی تقسیم‌شده.
نامانگلیسیگونهتوضیح
x_trainx_trainmatrix.Matrixویژگی‌های آموزش.
x_testx_testmatrix.Matrixویژگی‌های آزمون.
y_trainy_trainmatrix.Matrixبرچسب‌های آموزش.
y_testy_testmatrix.Matrixبرچسب‌های آزمون.
ml-Prep.salam
واردسازی یادگیری ماشین
واردسازی ماتریس

روال 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

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

روال 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

روال 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.mean)
    سرچاپ استاندارد.ok، استاندارد.with_mean، استاندارد.with_std، ماتریس.رشته شکل(استاندارد.std)
    نشان("برگشت"، استاندارد.تبدیل معکوس(مقیاس‌شده))
    ناپایا کمینه بیشینه := یادگیری ماشین.مقیاس‌گر کمینه‌بیشینه { lo = ۰.۰، hi = 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.ok، ماتریس.رشته شکل(کمینه بیشینه.data_min)، ماتریس.رشته شکل(کمینه بیشینه.data_range)
    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.ok، رمزگذار.classes.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.ok، تک‌داغ.n_classes، 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 { strategy = یادگیری ماشین.جایگذاری میانگین }
    نشان("میانگین"، جایگذار.برازش سپس تبدیل(ناقص))
    ناپایا جایگذار۲ := یادگیری ماشین.جایگذار ساده { strategy = یادگیری ماشین.جایگذاری ثابت، fill = -۱.۰ }
    سرچاپ جایگذار۲.برازش(ناقص)، جایگذار۲.ok، ماتریس.رشته شکل(جایگذار۲.stats)
    نشان("ثابت"، جایگذار۲.تبدیل(ناقص))
    سرچاپ یادگیری ماشین.جایگذاری میانه
    ناپایا چندجمله‌ای := یادگیری ماشین.ویژگی چندجمله‌ای { degree = ۲، include_bias = 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 { n_components = ۱ }
    سرچاپ مولفه.برازش(خطی)، مولفه.ok، ماتریس.رشته شکل(مولفه.components)، ماتریس.رشته شکل(مولفه.mean)
    نشان("واریانس"، مولفه.explained_ratio)
    سرچاپ ماتریس.رشته شکل(مولفه.explained_variance)، 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 { n_components = ۱ }
    سرچاپ بریده.برازش(خطی)، بریده.ok، ماتریس.رشته شکل(بریده.components)، ماتریس.رشته شکل(بریده.singular_values)، ماتریس.رشته شکل(بریده.explained_variance)، ماتریس.رشته شکل(بریده.explained_ratio)
    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.x_train)، ماتریس.رشته شکل(تقسیم.x_test)، ماتریس.رشته شکل(تقسیم.y_train)، ماتریس.رشته شکل(تقسیم.y_test)
    ناپایا برش‌ها := یادگیری ماشین.کی برش(۶، ۳، نادرست، ۰)
    سرچاپ برش‌ها.شمار()، صحیح‌ها(برش‌ها.test.دریافت(۰))، صحیح‌ها(برش‌ها.train.دریافت(۰))
    ناپایا طبقه‌ای := یادگیری ماشین.کی برش طبقه‌ای(وای، ۳، ۱)
    سرچاپ طبقه‌ای.شمار()، طبقه‌ای.test.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

روال آزادسازی()
حافظه را آزاد می‌کند.

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

برش‌ها Folds

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

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

شمار count

روال شمار(): صحیح
شمار.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

نتیجه جستجوی شبکه‌ای GridResult

ساختار نتیجه جستجوی شبکه‌ای
نتیجه‌ی جستجوی شبکه‌ای.
نامانگلیسیگونهتوضیح
scoresscoresوکتور<اعشار۶۴>میانگین امتیاز هر نامزد.
bestbestصحیح = -1شماره‌ی بهترین.
best_scorebest_scoreاعشار۶۴ = 0بهترین امتیاز.
ml-Select.salam
واردسازی یادگیری ماشین
واردسازی ماتریس

روال 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

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

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

روال 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: ماتریس.ماتریس، ب: ماتریس.ماتریس، ج: ماتریس.ماتریس) => همسایه(۱، الف، ب، ج)، (الف: ماتریس.ماتریس، ب: ماتریس.ماتریس) => یادگیری ماشین.دقت(الف، ب)، ایکس، وای، برش‌ها)
    سرچاپ امتیازها.طول()، گ(یادگیری ماشین.میانگین امتیاز(امتیازها))
    ناپایا موازی := یادگیری ماشین.امتیاز اعتبارسنجی متقاطع موازی((الف: ماتریس.ماتریس، ب: ماتریس.ماتریس، ج: ماتریس.ماتریس) => همسایه(۱، الف، ب، ج)، (الف: ماتریس.ماتریس، ب: ماتریس.ماتریس) => یادگیری ماشین.دقت(الف، ب)، ایکس، وای، برش‌ها، ۲)
    سرچاپ گ(یادگیری ماشین.میانگین امتیاز(موازی))

    ناپایا نامزدها := وکتور {} برگردان وکتور<یادگیری ماشین.نامزد>
    نامزدها.بیفزا(یادگیری ماشین.نامزد { name = "k=1"، fit = (الف: ماتریس.ماتریس، ب: ماتریس.ماتریس، ج: ماتریس.ماتریس) => همسایه(۱، الف، ب، ج) })
    نامزدها.بیفزا(یادگیری ماشین.نامزد { name = "k=3"، fit = (الف: ماتریس.ماتریس، ب: ماتریس.ماتریس، ج: ماتریس.ماتریس) => همسایه(۳، الف، ب، ج) })
    ناپایا نتیجه := یادگیری ماشین.جستجوی شبکه‌ای(نامزدها، (الف: ماتریس.ماتریس، ب: ماتریس.ماتریس) => یادگیری ماشین.دقت(الف، ب)، ایکس، وای، برش‌ها، ۱)
    سرچاپ نتیجه.scores.طول()، نتیجه.best >= ۰، گ(نتیجه.best_score)، نامزدها.دریافت(نتیجه.best).name.طول() > ۰
پایان
خروجی4 1.000 1.000 2 true 1.000 true

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

نامزد Candidate

ساختار نامزد
یک نامزد در جستجوی شبکه‌ای.
نامانگلیسیگونهتوضیح
namenameرشته = ""نام.
fitfitروال(matrix.Matrix، matrix.Matrix، matrix.Matrix): matrix.Matrixروالی که با داده‌ی آموزش و آزمون پیش‌بینی برمی‌گرداند.

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

دسته‌بند نزدیک‌ترین همسایه KNNClassifier

ساختار دسته‌بند نزدیک‌ترین همسایه
دسته‌بند k نزدیک‌ترین همسایه.
نامانگلیسیگونهتوضیح
kkصحیح = 5شمار همسایه‌ها یا خوشه‌ها.
weightedweightedمنطقی = نادرستوزن همسایه‌ها با عکس فاصله.
algorithmalgorithmصحیحروش جستجو، یکی از ثابت‌های همسایه ....
leaf_sizeleaf_sizeصحیح = 16اندازه‌ی برگ درخت کی‌دی.
workersworkersصحیح = 0شمار نخ‌ها؛ صفر یعنی خودکار.
xtrainxtrainmatrix.Matrixداده‌ی آموزش.
ytrainytrainmatrix.Matrixبرچسب‌های آموزش.
treetreeدرخت کی‌دیدرخت کی‌دی.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.
ml-Classify.salam
واردسازی یادگیری ماشین
واردسازی ماتریس

روال 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

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

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

روال 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 { k = ۳، weighted = درست، algorithm = یادگیری ماشین.همسایه درخت کی‌دی }
    سرچاپ همسایه.برازش(ایکس، وای)، همسایه.ok، همسایه.n_classes، همسایه.leaf_size، همسایه.workers، ماتریس.رشته شکل(همسایه.xtrain)، ماتریس.رشته شکل(همسایه.ytrain)، همسایه.tree.ok
    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 { k = ۲ }
    سرچاپ رگرسور.برازش(ایکس، وای)، رگرسور.ok، رگرسور.weighted، رگرسور.algorithm، رگرسور.leaf_size، رگرسور.workers، ماتریس.رشته شکل(رگرسور.xtrain)، ماتریس.رشته شکل(رگرسور.ytrain)، رگرسور.tree.ok
    نشان("رگرسور"، رگرسور.پیش‌بینی(آزمون))
    سرچاپ گ(رگرسور.امتیاز(ایکس، وای))

    ناپایا گاوسی := یادگیری ماشین.بیز ساده گاوسی {}
    سرچاپ گاوسی.برازش(ایکس، وای)، گاوسی.ok، گاوسی.n_classes، گاوسی.var_smoothing > ۰.۰، ماتریس.رشته شکل(گاوسی.means)، ماتریس.رشته شکل(گاوسی.vars)، ماتریس.رشته شکل(گاوسی.log_priors)
    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 { alpha = ۱.۰ }
    سرچاپ چندجمله‌ای.برازش(شمارش، موضوع)، چندجمله‌ای.ok، چندجمله‌ای.fit_prior، چندجمله‌ای.n_classes، ماتریس.رشته شکل(چندجمله‌ای.log_prob)، ماتریس.رشته شکل(چندجمله‌ای.log_priors)
    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.ok، خطی.n_classes، خطی.ridge > ۰.۰، ماتریس.رشته شکل(خطی.means)، ماتریس.رشته شکل(خطی.cov)، ماتریس.رشته شکل(خطی.log_priors)
    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.ok، درجه دو.n_classes، درجه دو.ridge > ۰.۰، ماتریس.رشته شکل(درجه دو.means)، درجه دو.covs.طول()، ماتریس.رشته شکل(درجه دو.log_priors)
    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 { c = ۱.۰ }
    سرچاپ خطی ب.برازش(ایکس، وای)، خطی ب.ok، خطی ب.n_classes، خطی ب.max_iter، خطی ب.tol > ۰.۰، خطی ب.seed، ماتریس.رشته شکل(خطی ب.coef)، ماتریس.رشته شکل(خطی ب.intercept)
    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 { kernel = یادگیری ماشین.هسته شعاعی، c = ۱۰.۰، gamma = ۰.۵ }
    سرچاپ هسته.برازش(ایکس، وای)، هسته.ok، هسته.n_classes، هسته.شمار بردار پشتیبان() > ۰، هسته.degree، هسته.coef0، هسته.max_passes، هسته.tol > ۰.۰، هسته.seed
    سرچاپ ماتریس.رشته شکل(هسته.support)، ماتریس.رشته شکل(هسته.dual)، ماتریس.رشته شکل(هسته.bias)
    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

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

رگرسور نزدیک‌ترین همسایه KNNRegressor

ساختار رگرسور نزدیک‌ترین همسایه
رگرسور k نزدیک‌ترین همسایه.
نامانگلیسیگونهتوضیح
kkصحیح = 5شمار همسایه‌ها یا خوشه‌ها.
weightedweightedمنطقی = نادرستوزن همسایه‌ها با عکس فاصله.
algorithmalgorithmصحیحروش جستجو، یکی از ثابت‌های همسایه ....
leaf_sizeleaf_sizeصحیح = 16اندازه‌ی برگ درخت کی‌دی.
workersworkersصحیح = 0شمار نخ‌ها؛ صفر یعنی خودکار.
xtrainxtrainmatrix.Matrixداده‌ی آموزش.
ytrainytrainmatrix.Matrixبرچسب‌های آموزش.
treetreeدرخت کی‌دیدرخت کی‌دی.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

آمیزه گاوسی GaussianMixture

ساختار آمیزه گاوسی
مدل آمیزه‌ی گاوسی با EM.
نامانگلیسیگونهتوضیح
kkصحیح = 2شمار همسایه‌ها یا خوشه‌ها.
max_itermax_iterصحیح = 100بیشترین شمار تکرار.
toltolاعشار۶۴ = 0.0001رواداری همگرایی.
var_floorvar_floorاعشار۶۴ = 1e-06کمترین واریانس.
seedseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
meansmeansmatrix.Matrixمیانگین هر رده.
varsvarsmatrix.Matrixواریانس‌ها.
weightsweightsmatrix.Matrixوزن هر مؤلفه.
log_likelihoodlog_likelihoodاعشار۶۴ = 0لگاریتم درست‌نمایی.
n_itern_iterصحیح = 0شمار تکرارهای انجام‌شده.
okokمنطقی = نادرستبرازش موفق بود.
ml-Cluster.salam
واردسازی یادگیری ماشین
واردسازی ماتریس

روال 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

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

روال 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 { k = ۲، seed = ۱ }
    ناپایا برچسب := کا.برازش سپس پیش‌بینی(ایکس)
    سرچاپ کا.ok، کا.n_iter > ۰، گ(کا.inertia)، ماتریس.رشته شکل(کا.centers)، کا.max_iter، کا.tol > ۰.۰، کا.n_init، کا.workers
    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 { k = ۲، batch_size = ۴، max_iter = ۵۰، seed = ۲ }
    سرچاپ کوچک.برازش(ایکس)، کوچک.ok، ماتریس.رشته شکل(کوچک.centers)، گ(یادگیری ماشین.شاخص رند تعدیل‌شده(کوچک.برازش سپس پیش‌بینی(ایکس)، واقعی))، ماتریس.رشته شکل(کوچک.پیش‌بینی(ایکس))

    ناپایا چگالی := یادگیری ماشین.دی‌بی‌اسکن { eps = ۱.۵، min_samples = ۳ }
    ناپایا خوشه‌ها := چگالی.برازش سپس پیش‌بینی(ایکس)
    سرچاپ چگالی.ok، چگالی.n_clusters، ماتریس.رشته شکل(چگالی.labels)، گ(یادگیری ماشین.شاخص رند تعدیل‌شده(خوشه‌ها، واقعی))، چگالی.برازش(ایکس)

    ناپایا تجمیعی := یادگیری ماشین.خوشه‌بندی تجمیعی { n_clusters = ۲، linkage = یادگیری ماشین.پیوند میانگین }
    سرچاپ گ(یادگیری ماشین.شاخص رند تعدیل‌شده(تجمیعی.برازش سپس پیش‌بینی(ایکس)، واقعی))، تجمیعی.ok، ماتریس.رشته شکل(تجمیعی.labels)، تجمیعی.برازش(ایکس)
    سرچاپ یادگیری ماشین.پیوند تکی، یادگیری ماشین.پیوند کامل

    ناپایا آمیزه := یادگیری ماشین.آمیزه گاوسی { k = ۲، seed = ۳ }
    سرچاپ گ(یادگیری ماشین.شاخص رند تعدیل‌شده(آمیزه.برازش سپس پیش‌بینی(ایکس)، واقعی))، آمیزه.ok، آمیزه.n_iter > ۰، آمیزه.log_likelihood != ۰.۰، آمیزه.max_iter، آمیزه.tol > ۰.۰، آمیزه.var_floor > ۰.۰
    سرچاپ ماتریس.رشته شکل(آمیزه.means)، ماتریس.رشته شکل(آمیزه.vars)، ماتریس.رشته شکل(آمیزه.weights)، آمیزه.برازش(ایکس)
    سرچاپ ماتریس.رشته شکل(آمیزه.پیش‌بینی(ایکس))، ماتریس.رشته شکل(آمیزه.پیش‌بینی احتمال(ایکس))

    ناپایا تسنه := یادگیری ماشین.تی‌اس‌ان‌ای { n_components = ۲، perplexity = ۲.۰، n_iter = ۲۵۰، seed = ۴ }
    ناپایا جاسازی := تسنه.برازش سپس تبدیل(ایکس)
    سرچاپ تسنه.ok، ماتریس.رشته شکل(جاسازی)، ماتریس.رشته شکل(تسنه.embedding)، تسنه.kl >= ۰.۰، تسنه.learning_rate، تسنه.early_exaggeration
    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 fit

روال برازش(x &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

برازش سپس پیش‌بینی fit_predict

روال برازش سپس پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
برازش و برچسب خوشه‌ی هر سطر.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

خوشه‌بندی تجمیعی Agglomerative

ساختار خوشه‌بندی تجمیعی
خوشه‌بندی سلسله‌مراتبی تجمیعی.
نامانگلیسیگونهتوضیح
n_clustersn_clustersصحیح = 2شمار خوشه‌ها.
linkagelinkageصحیحروش پیوند، یکی از ثابت‌های پیوند ....
labelslabelsmatrix.Matrixبرچسب خوشه‌ی هر سطر؛ ۱- یعنی نویز.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

برازش سپس پیش‌بینی fit_predict

روال برازش سپس پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
برازش و برچسب خوشه‌ی هر سطر.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

کی میانگین دسته کوچک MiniBatchKMeans

ساختار کی میانگین دسته کوچک
کی میانگین با دسته‌های کوچک؛ برای داده‌ی بزرگ.
نامانگلیسیگونهتوضیح
kkصحیح = 8شمار همسایه‌ها یا خوشه‌ها.
batch_sizebatch_sizeصحیح = 64اندازه‌ی دسته.
max_itermax_iterصحیح = 200بیشترین شمار تکرار.
seedseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
centerscentersmatrix.Matrixمرکز خوشه‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

برازش سپس پیش‌بینی fit_predict

روال برازش سپس پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
برازش و برچسب خوشه‌ی هر سطر.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

تحلیل تشخیصی خطی LDA

ساختار تحلیل تشخیصی خطی
تحلیل تشخیصی خطی.
نامانگلیسیگونهتوضیح
ridgeridgeاعشار۶۴ = 1e-06منظم‌سازی کوواریانس برای پایداری.
meansmeansmatrix.Matrixمیانگین هر رده.
covcovmatrix.Matrixکوواریانس مشترک.
log_priorslog_priorsmatrix.Matrixلگاریتم احتمال پیشین هر رده.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

تحلیل تشخیصی درجه دو QDA

ساختار تحلیل تشخیصی درجه دو
تحلیل تشخیصی درجه دو، با کوواریانس جدا برای هر رده.
نامانگلیسیگونهتوضیح
ridgeridgeاعشار۶۴ = 1e-06منظم‌سازی کوواریانس برای پایداری.
meansmeansmatrix.Matrixمیانگین هر رده.
covscovsوکتورکوواریانس هر رده.
log_priorslog_priorsmatrix.Matrixلگاریتم احتمال پیشین هر رده.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

جنگل تصادفی RandomForest

ساختار جنگل تصادفی
جنگل تصادفی: درخت‌های بسیار روی نمونه‌های تصادفی.
نامانگلیسیگونهتوضیح
n_treesn_treesصحیح = 100شمار درخت‌ها.
criterioncriterionصحیحمعیار شکاف، یکی از ثابت‌های معیار ....
max_depthmax_depthصحیح = 16بیشترین عمق درخت.
min_samples_leafmin_samples_leafصحیح = 1کمترین نمونه در هر برگ.
max_featuresmax_featuresصحیح = 0شمار ویژگی‌هایی که در هر شکاف آزموده می‌شوند؛ صفر یعنی همه.
bootstrapbootstrapمنطقی = درستنمونه‌گیری با جای‌گذاری.
seedseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
workersworkersصحیح = 0شمار نخ‌ها؛ صفر یعنی خودکار.
treestreesوکتور<درخت تصمیم>درخت‌ها.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.
ml-Trees.salam
واردسازی یادگیری ماشین
واردسازی ماتریس

روال 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

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

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

روال 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

روال 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 { criterion = یادگیری ماشین.معیار جینی، max_depth = ۳ }
    سرچاپ درخت.برازش(ایکس، وای)، درخت.ok، درخت.n_classes، درخت.رگرسیون است()، درخت.شمار گره()، درخت.اعمال سطر(آزمون، ۰) >= ۰
    سرچاپ درخت.min_samples_split، درخت.min_samples_leaf، درخت.max_features، درخت.seed، درخت.n_classes_hint، درخت.feature.طول()، درخت.threshold.طول()، درخت.left.طول()، درخت.right.طول()، ماتریس.رشته شکل(درخت.value)
    نشان("درخت"، درخت.پیش‌بینی(آزمون))
    سرچاپ ماتریس.رشته شکل(درخت.پیش‌بینی احتمال(آزمون))، گ(درخت.امتیاز(ایکس، وای))
    ناپایا رگرسیون := یادگیری ماشین.درخت تصمیم { criterion = 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 { n_trees = ۲۰، max_depth = ۴، seed = ۳ }
    سرچاپ جنگل.برازش(ایکس، وای)، جنگل.ok، جنگل.n_classes، جنگل.trees.طول()، جنگل.رگرسیون است()، جنگل.criterion، جنگل.min_samples_leaf، جنگل.max_features، جنگل.bootstrap، جنگل.workers
    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 { n_estimators = ۱۰ }
    سرچاپ آدا.برازش(ایکس، وای)، آدا.ok، آدا.n_classes، آدا.trees.طول() > ۰، آدا.alphas.طول() > ۰، آدا.max_depth، آدا.learning_rate، آدا.seed
    نشان("آدابوست"، آدا.پیش‌بینی(آزمون))
    سرچاپ گ(آدا.امتیاز(ایکس، وای))
    آدا.آزادسازی همه()

    ناپایا گرادیان := یادگیری ماشین.تقویت گرادیانی { n_estimators = ۲۰، learning_rate = ۰.۳، max_depth = ۲ }
    سرچاپ گرادیان.برازش(ایکس، وای)، گرادیان.ok، گرادیان.n_classes، گرادیان.trees.طول()، گرادیان.min_samples_leaf، گرادیان.regression، ماتریس.رشته شکل(گرادیان.base)
    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 { n_estimators = ۲۰، min_samples_leaf = ۱، max_bins = ۱۶ }
    سرچاپ هیستوگرام.برازش(ایکس، وای)، هیستوگرام.ok، هیستوگرام.n_classes، هیستوگرام.trees.طول() > ۰، هیستوگرام.max_depth، هیستوگرام.l2، هیستوگرام.learning_rate، هیستوگرام.regression، هیستوگرام.edges.طول() > ۰، هیستوگرام.edges_start.طول()، هیستوگرام.base.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.trees.دریافت(۰)
    سرچاپ یکی.feature.طول() > ۰، یکی.threshold.طول() > ۰، یکی.left.طول() > ۰، یکی.right.طول() > ۰، یکی.value.طول() > ۰
    هیستوگرام.آزادسازی همه()

    ناپایا کی‌دی := یادگیری ماشین.درخت کی‌دی جدید(ایکس، ۲)
    ناپایا فاصله‌ها := وکتور {} برگردان وکتور<اعشار۶۴>
    سرچاپ کی‌دی.ok، کی‌دی.leaf_size، کی‌دی.شمار گره() > ۰، صحیح‌ها(کی‌دی.پرس‌وجو(آزمون، ۱، ۲، فاصله‌ها))، گ(فاصله‌ها.دریافت(۰))
    سرچاپ ماتریس.رشته شکل(کی‌دی.x)، کی‌دی.idx.طول()، کی‌دی.node_lo.طول() > ۰، کی‌دی.node_hi.طول() > ۰، کی‌دی.node_dim.طول() > ۰، کی‌دی.node_split.طول() > ۰، کی‌دی.node_left.طول() > ۰، کی‌دی.node_right.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

رگرسیون است is_regression

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

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی درخت‌ها free_trees

روال آزادسازی درخت‌ها()
درخت‌ها را آزاد می‌کند.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

آدابوست AdaBoost

ساختار آدابوست
آدابوست با درخت‌های کم‌عمق.
نامانگلیسیگونهتوضیح
n_estimatorsn_estimatorsصحیح = 50شمار برآوردگرها.
max_depthmax_depthصحیح = 1بیشترین عمق درخت.
learning_ratelearning_rateاعشار۶۴ = 1نرخ یادگیری.
seedseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
treestreesوکتور<درخت تصمیم>درخت‌ها.
alphasalphasوکتور<اعشار۶۴>وزن هر درخت.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی همه free_all

روال آزادسازی همه()
همه‌ی درخت‌ها را آزاد می‌کند.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

تقویت گرادیانی GradientBoosting

ساختار تقویت گرادیانی
تقویت گرادیانی با درخت.
نامانگلیسیگونهتوضیح
n_estimatorsn_estimatorsصحیح = 100شمار برآوردگرها.
learning_ratelearning_rateاعشار۶۴ = 0.1نرخ یادگیری.
max_depthmax_depthصحیح = 3بیشترین عمق درخت.
min_samples_leafmin_samples_leafصحیح = 1کمترین نمونه در هر برگ.
regressionregressionمنطقی = نادرسترگرسیون به جای دسته‌بندی.
treestreesوکتور<درخت تصمیم>درخت‌ها.
basebasematrix.Matrixپیش‌بینی آغازین.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

تصمیم decision

روال تصمیم(x &: matrix.Matrix): matrix.Matrix
امتیاز تصمیم پیش از تبدیل به رده.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی همه free_all

روال آزادسازی همه()
همه‌ی درخت‌ها را آزاد می‌کند.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

رگرسیون خطی LinearReg

ساختار رگرسیون خطی
رگرسیون خطی با کمترین مربعات.
نامانگلیسیگونهتوضیح
fit_interceptfit_interceptمنطقی = درستعرض از مبدأ را هم برازش کند.
coefcoefmatrix.Matrixضریب‌ها.
interceptinterceptاعشار۶۴ = 0عرض از مبدأ.
okokمنطقی = نادرستبرازش موفق بود.
ml-Linear.salam
واردسازی یادگیری ماشین
واردسازی ماتریس

روال 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

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

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

روال 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.ok، خطی.fit_intercept، گ(خطی.intercept)
    نشان("ضریب‌ها"، خطی.coef)
    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 { alpha = ۱.۰ }
    سرچاپ ستیغی.برازش(ایکس، وای)، ستیغی.ok، ستیغی.alpha، ستیغی.fit_intercept، گ(ستیغی.intercept)
    نشان("ستیغی"، ستیغی.coef)
    سرچاپ ستیغی.امتیاز(ایکس، وای) > ۰.۹، ماتریس.رشته شکل(ستیغی.پیش‌بینی(ایکس))
    ناپایا لاسو := یادگیری ماشین.لاسو { alpha = ۰.۱ }
    سرچاپ لاسو.برازش(ایکس، وای)، لاسو.ok، لاسو.alpha، لاسو.l1_ratio، لاسو.fit_intercept، لاسو.max_iter، لاسو.tol > ۰.۰، لاسو.n_iter > ۰، لاسو.intercept > ۰.۰
    نشان("لاسو"، لاسو.coef)
    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.l1_ratio

    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 { alpha = ۰.۰۱، max_iter = ۲۰۰۰ }
    سرچاپ لجستیک.برازش(ساعت، قبولی)، لجستیک.ok، لجستیک.n_classes، لجستیک.fit_intercept، لجستیک.n_iter > ۰، لجستیک.tol > ۰.۰
    سرچاپ ماتریس.رشته شکل(لجستیک.coef)، ماتریس.رشته شکل(لجستیک.intercept)
    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

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

رگرسیون ستیغی Ridge

ساختار رگرسیون ستیغی
رگرسیون ستیغی: خطی با جریمه‌ی L2.
نامانگلیسیگونهتوضیح
alphaalphaاعشار۶۴ = 1قدرت منظم‌سازی.
fit_interceptfit_interceptمنطقی = درستعرض از مبدأ را هم برازش کند.
coefcoefmatrix.Matrixضریب‌ها.
interceptinterceptاعشار۶۴ = 0عرض از مبدأ.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: 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
alphaalphaاعشار۶۴ = 1قدرت منظم‌سازی.
l1_ratiol1_ratioاعشار۶۴ = 1سهم L1 در جریمه؛ یک یعنی لاسو.
fit_interceptfit_interceptمنطقی = درستعرض از مبدأ را هم برازش کند.
max_itermax_iterصحیح = 1000بیشترین شمار تکرار.
toltolاعشار۶۴ = 0.0001رواداری همگرایی.
coefcoefmatrix.Matrixضریب‌ها.
interceptinterceptاعشار۶۴ = 0عرض از مبدأ.
n_itern_iterصحیح = 0شمار تکرارهای انجام‌شده.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

رگرسیون لجستیک LogisticRegression

ساختار رگرسیون لجستیک
رگرسیون لجستیک برای دسته‌بندی، با چند رده.
نامانگلیسیگونهتوضیح
alphaalphaاعشار۶۴ = 0.0001قدرت منظم‌سازی.
fit_interceptfit_interceptمنطقی = درستعرض از مبدأ را هم برازش کند.
max_itermax_iterصحیح = 500بیشترین شمار تکرار.
toltolاعشار۶۴ = 1e-06رواداری همگرایی.
coefcoefmatrix.Matrixضریب‌ها.
interceptinterceptmatrix.Matrixعرض از مبدأ.
n_classesn_classesصحیح = 0شمار رده‌ها.
n_itern_iterصحیح = 0شمار تکرارهای انجام‌شده.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

درخت کی‌دی KDTree

ساختار درخت کی‌دی
درخت کی‌دی برای جستجوی نزدیک‌ترین همسایه.
نامانگلیسیگونهتوضیح
leaf_sizeleaf_sizeصحیح = 16اندازه‌ی برگ درخت کی‌دی.
xxmatrix.Matrixداده.
idxidxوکتور<صحیح>جایگشت سطرها.
node_lonode_loوکتور<صحیح>آغاز سطرهای هر گره.
node_hinode_hiوکتور<صحیح>پایان سطرهای هر گره.
node_dimnode_dimوکتور<صحیح>بعد شکاف هر گره.
node_splitnode_splitوکتور<اعشار۶۴>مقدار شکاف هر گره.
node_leftnode_leftوکتور<صحیح>فرزند چپ.
node_rightnode_rightوکتور<صحیح>فرزند راست.
okokمنطقی = نادرستبرازش موفق بود.

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

ساخت build

روال ساخت(x &: matrix.Matrix): منطقی
درخت را از داده می‌سازد.

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

شمار گره node_count

روال شمار گره(): صحیح
شمار گره‌ها.

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

پرس‌وجو query

روال پرس‌وجو(q &: matrix.Matrix، 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: ml-Classify.salam

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

درخت تصمیم DecisionTree

ساختار درخت تصمیم
درخت تصمیم برای دسته‌بندی یا رگرسیون.
نامانگلیسیگونهتوضیح
criterioncriterionصحیحمعیار شکاف، یکی از ثابت‌های معیار ....
max_depthmax_depthصحیح = 16بیشترین عمق درخت.
min_samples_splitmin_samples_splitصحیح = 2کمترین نمونه برای شکافتن گره.
min_samples_leafmin_samples_leafصحیح = 1کمترین نمونه در هر برگ.
max_featuresmax_featuresصحیح = 0شمار ویژگی‌هایی که در هر شکاف آزموده می‌شوند؛ صفر یعنی همه.
seedseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
n_classes_hintn_classes_hintصحیح = 0شمار رده‌ها اگر از پیش معلوم است.
featurefeatureوکتور<صحیح>ویژگی شکاف هر گره.
thresholdthresholdوکتور<اعشار۶۴>آستانه‌ی شکاف هر گره.
leftleftوکتور<صحیح>فرزند چپ هر گره.
rightrightوکتور<صحیح>فرزند راست هر گره.
valuevaluematrix.Matrixمقدار یا احتمال برگ‌ها.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

رگرسیون است is_regression

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

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

شمار گره node_count

روال شمار گره(): صحیح
شمار گره‌ها.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

اعمال سطر apply_row

روال اعمال سطر(x &: matrix.Matrix، i: صحیح): صحیح
برگی که سطر به آن می‌رسد.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

کی میانگین KMeans

ساختار کی میانگین
خوشه‌بندی کی میانگین.
نامانگلیسیگونهتوضیح
kkصحیح = 8شمار همسایه‌ها یا خوشه‌ها.
max_itermax_iterصحیح = 300بیشترین شمار تکرار.
toltolاعشار۶۴ = 0.0001رواداری همگرایی.
n_initn_initصحیح = 3شمار اجرا با آغاز متفاوت؛ بهترین نگه داشته می‌شود.
seedseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
workersworkersصحیح = 0شمار نخ‌ها؛ صفر یعنی خودکار.
centerscentersmatrix.Matrixمرکز خوشه‌ها.
inertiainertiaاعشار۶۴ = 0مجموع مربع فاصله‌ها تا مرکزها.
n_itern_iterصحیح = 0شمار تکرارهای انجام‌شده.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

برازش سپس پیش‌بینی fit_predict

روال برازش سپس پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
برازش و برچسب خوشه‌ی هر سطر.

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

تبدیل transform

روال تبدیل(x &: matrix.Matrix): matrix.Matrix
داده را تبدیل می‌کند.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

دی‌بی‌اسکن DBSCAN

ساختار دی‌بی‌اسکن
خوشه‌بندی چگالی؛ شمار خوشه‌ها را خودش پیدا می‌کند و نویز را جدا می‌کند.
نامانگلیسیگونهتوضیح
epsepsاعشار۶۴ = 0.5شعاع همسایگی.
min_samplesmin_samplesصحیح = 5کمترین همسایه برای نقطه‌ی هسته.
labelslabelsmatrix.Matrixبرچسب خوشه‌ی هر سطر؛ ۱- یعنی نویز.
n_clustersn_clustersصحیح = 0شمار خوشه‌های پیدا شده.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

برازش سپس پیش‌بینی fit_predict

روال برازش سپس پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
برازش و برچسب خوشه‌ی هر سطر.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

بیز ساده گاوسی GaussianNB

ساختار بیز ساده گاوسی
بیز ساده‌ی گاوسی برای ویژگی‌های پیوسته.
نامانگلیسیگونهتوضیح
var_smoothingvar_smoothingاعشار۶۴ = 1e-09افزوده به واریانس‌ها برای پایداری.
meansmeansmatrix.Matrixمیانگین هر رده.
varsvarsmatrix.Matrixواریانس‌ها.
log_priorslog_priorsmatrix.Matrixلگاریتم احتمال پیشین هر رده.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

بیز ساده چندجمله‌ای MultinomialNB

ساختار بیز ساده چندجمله‌ای
بیز ساده‌ی چندجمله‌ای برای شمارش‌ها، مثل دسته‌بندی متن.
نامانگلیسیگونهتوضیح
alphaalphaاعشار۶۴ = 1هموارسازی لاپلاس برای شمارش‌های صفر.
fit_priorfit_priorمنطقی = درستاحتمال پیشین را از داده بیاموزد.
log_problog_probmatrix.Matrixلگاریتم احتمال هر ویژگی در هر رده.
log_priorslog_priorsmatrix.Matrixلگاریتم احتمال پیشین هر رده.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

تصمیم decision

روال تصمیم(x &: matrix.Matrix): matrix.Matrix
امتیاز تصمیم پیش از تبدیل به رده.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

تی‌اس‌ان‌ای TSNE

ساختار تی‌اس‌ان‌ای
t-SNE برای نمایش داده‌ی پربعد در دو یا سه بعد.
نامانگلیسیگونهتوضیح
n_componentsn_componentsصحیح = 2شمار مؤلفه‌ها.
perplexityperplexityاعشار۶۴ = 30سرگشتگی؛ تقریباً شمار همسایه‌های مؤثر.
learning_ratelearning_rateاعشار۶۴ = 0نرخ یادگیری.
n_itern_iterصحیح = 500شمار تکرارهای انجام‌شده.
early_exaggerationearly_exaggerationاعشار۶۴ = 12بزرگ‌نمایی آغازین.
seedseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
embeddingembeddingmatrix.Matrixنقطه‌های خروجی.
klklاعشار۶۴ = 0واگرایی KL پایانی.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش سپس تبدیل fit_transform

روال برازش سپس تبدیل(x &: matrix.Matrix): matrix.Matrix
برازش و سپس تبدیل همان داده.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

مقیاس‌گر استاندارد StandardScaler

ساختار مقیاس‌گر استاندارد
هر ستون را با میانگین صفر و انحراف معیار یک می‌کند.
نامانگلیسیگونهتوضیح
with_meanwith_meanمنطقی = درستمیانگین را کم کند.
with_stdwith_stdمنطقی = درستبر انحراف معیار تقسیم کند.
meanmeanmatrix.Matrixمیانگین ستون‌ها.
stdstdmatrix.Matrixانحراف معیار ستون‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

تبدیل transform

روال تبدیل(x &: matrix.Matrix): matrix.Matrix
داده را تبدیل می‌کند.

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

برازش سپس تبدیل fit_transform

روال برازش سپس تبدیل(x &: matrix.Matrix): matrix.Matrix
برازش و سپس تبدیل همان داده.

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

تبدیل معکوس inverse_transform

روال تبدیل معکوس(x &: matrix.Matrix): matrix.Matrix
تبدیل را برمی‌گرداند.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

مقیاس‌گر کمینه‌بیشینه MinMaxScaler

ساختار مقیاس‌گر کمینه‌بیشینه
هر ستون را به بازه‌ی lo تا hi می‌برد.
نامانگلیسیگونهتوضیح
loloاعشار۶۴ = 0کمینه‌ی خروجی.
hihiاعشار۶۴ = 1بیشینه‌ی خروجی.
data_mindata_minmatrix.Matrixکمینه‌ی ستون‌ها.
data_rangedata_rangematrix.Matrixدامنه‌ی ستون‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

تبدیل transform

روال تبدیل(x &: matrix.Matrix): matrix.Matrix
داده را تبدیل می‌کند.

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

برازش سپس تبدیل fit_transform

روال برازش سپس تبدیل(x &: matrix.Matrix): matrix.Matrix
برازش و سپس تبدیل همان داده.

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

تبدیل معکوس inverse_transform

روال تبدیل معکوس(x &: matrix.Matrix): matrix.Matrix
تبدیل را برمی‌گرداند.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

رمزگذار برچسب LabelEncoder

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

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

برازش fit

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

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

نمایه index_of

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

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

تبدیل transform

روال تبدیل(labels &: وکتور<رشته>): matrix.Matrix
داده را تبدیل می‌کند.

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

برازش سپس تبدیل fit_transform

روال برازش سپس تبدیل(labels &: وکتور<رشته>): matrix.Matrix
برازش و سپس تبدیل همان داده.

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

تبدیل معکوس inverse_transform

روال تبدیل معکوس(y &: matrix.Matrix): وکتور<رشته>
تبدیل را برمی‌گرداند.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

رمزگذار تک‌داغ OneHotEncoder

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

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

برازش fit

روال برازش(y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

تبدیل transform

روال تبدیل(y &: matrix.Matrix): matrix.Matrix
داده را تبدیل می‌کند.

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

برازش سپس تبدیل fit_transform

روال برازش سپس تبدیل(y &: matrix.Matrix): matrix.Matrix
برازش و سپس تبدیل همان داده.

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

تبدیل معکوس inverse_transform

روال تبدیل معکوس(onehot &: matrix.Matrix): matrix.Matrix
تبدیل را برمی‌گرداند.

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

جایگذار ساده SimpleImputer

ساختار جایگذار ساده
جاهای خالی، یعنی NaN، را پر می‌کند.
نامانگلیسیگونهتوضیح
strategystrategyصحیحروش، یکی از ثابت‌های جایگذاری ....
fillfillاعشار۶۴ = 0مقدار برای روش ثابت.
statsstatsmatrix.Matrixمقدار جایگزین هر ستون.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

تبدیل transform

روال تبدیل(x &: matrix.Matrix): matrix.Matrix
داده را تبدیل می‌کند.

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

برازش سپس تبدیل fit_transform

روال برازش سپس تبدیل(x &: matrix.Matrix): matrix.Matrix
برازش و سپس تبدیل همان داده.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

ویژگی چندجمله‌ای PolynomialFeatures

ساختار ویژگی چندجمله‌ای
ویژگی‌های چندجمله‌ای و ضرب‌های متقابل.
نامانگلیسیگونهتوضیح
degreedegreeصحیح = 2درجه.
include_biasinclude_biasمنطقی = نادرستستون یک را هم بیفزاید.

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

تبدیل transform

روال تبدیل(x &: matrix.Matrix): matrix.Matrix
داده را تبدیل می‌کند.

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

ماشین بردار پشتیبان خطی LinearSVM

ساختار ماشین بردار پشتیبان خطی
ماشین بردار پشتیبان خطی.
نامانگلیسیگونهتوضیح
ccاعشار۶۴ = 1جریمه‌ی خطا؛ بزرگ‌تر یعنی مرز سخت‌تر.
max_itermax_iterصحیح = 1000بیشترین شمار تکرار.
toltolاعشار۶۴ = 0.0001رواداری همگرایی.
seedseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
coefcoefmatrix.Matrixضریب‌ها.
interceptinterceptmatrix.Matrixعرض از مبدأ.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

تصمیم decision

روال تصمیم(x &: matrix.Matrix): matrix.Matrix
امتیاز تصمیم پیش از تبدیل به رده.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

دسته‌بند بردار پشتیبان SVC

ساختار دسته‌بند بردار پشتیبان
ماشین بردار پشتیبان با هسته.
نامانگلیسیگونهتوضیح
ccاعشار۶۴ = 1جریمه‌ی خطا؛ بزرگ‌تر یعنی مرز سخت‌تر.
kernelkernelصحیحهسته، یکی از ثابت‌های هسته ....
gammagammaاعشار۶۴ = 0پارامتر هسته‌ی شعاعی؛ صفر یعنی خودکار.
degreedegreeصحیح = 3درجه‌ی هسته‌ی چندجمله‌ای.
coef0coef0اعشار۶۴ = 1ثابت هسته‌ی چندجمله‌ای.
max_passesmax_passesصحیح = 20بیشترین دورهای بی‌تغییر SMO.
toltolاعشار۶۴ = 0.001رواداری همگرایی.
seedseedصحیح۶۴ = 42بذر تصادفی برای نتیجه‌ی تکرارپذیر.
supportsupportmatrix.Matrixبردارهای پشتیبان.
dualdualmatrix.Matrixضریب‌های دوگان.
biasbiasmatrix.Matrixسوگیری.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

تصمیم decision

روال تصمیم(x &: matrix.Matrix): matrix.Matrix
امتیاز تصمیم پیش از تبدیل به رده.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

شمار بردار پشتیبان n_support

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

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

امتیاز score

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

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

درخت هیستوگرام HistTree

ساختار درخت هیستوگرام
یک درخت تقویت هیستوگرامی.
نامانگلیسیگونهتوضیح
featurefeatureوکتور<صحیح>ویژگی شکاف هر گره.
thresholdthresholdوکتور<اعشار۶۴>آستانه‌ی شکاف هر گره.
leftleftوکتور<صحیح>فرزند چپ هر گره.
rightrightوکتور<صحیح>فرزند راست هر گره.
valuevalueوکتور<اعشار۶۴>مقدار یا احتمال برگ‌ها.

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

اعمال سطر apply_row

روال اعمال سطر(x &: matrix.Matrix، i: صحیح): اعشار۶۴
برگی که سطر به آن می‌رسد.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

تقویت گرادیان هیستوگرامی HistGradientBoosting

ساختار تقویت گرادیان هیستوگرامی
تقویت گرادیانی هیستوگرامی؛ سریع برای داده‌ی بزرگ، مثل LightGBM.
نامانگلیسیگونهتوضیح
n_estimatorsn_estimatorsصحیح = 100شمار برآوردگرها.
learning_ratelearning_rateاعشار۶۴ = 0.1نرخ یادگیری.
max_depthmax_depthصحیح = 6بیشترین عمق درخت.
max_binsmax_binsصحیح = 255بیشترین شمار بازه‌ها برای هر ویژگی.
min_samples_leafmin_samples_leafصحیح = 20کمترین نمونه در هر برگ.
l2l2اعشار۶۴ = 1منظم‌سازی L2 برگ‌ها.
regressionregressionمنطقی = نادرسترگرسیون به جای دسته‌بندی.
edgesedgesوکتور<اعشار۶۴>مرز بازه‌ها.
edges_startedges_startوکتور<صحیح>آغاز مرزهای هر ویژگی.
basebaseوکتور<اعشار۶۴>پیش‌بینی آغازین.
treestreesوکتور<درخت هیستوگرام>درخت‌ها.
n_classesn_classesصحیح = 0شمار رده‌ها.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix، y &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

تصمیم decision

روال تصمیم(x &: matrix.Matrix): matrix.Matrix
امتیاز تصمیم پیش از تبدیل به رده.

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

پیش‌بینی احتمال predict_proba

روال پیش‌بینی احتمال(x &: matrix.Matrix): matrix.Matrix
احتمال هر رده برای هر سطر.

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

پیش‌بینی predict

روال پیش‌بینی(x &: matrix.Matrix): matrix.Matrix
پیش‌بینی برای هر سطر.

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

امتیاز score

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

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

آزادسازی همه free_all

روال آزادسازی همه()
همه‌ی درخت‌ها را آزاد می‌کند.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

تحلیل مؤلفه اصلی PCA

ساختار تحلیل مؤلفه اصلی
تحلیل مؤلفه‌های اصلی برای کاهش بعد.
نامانگلیسیگونهتوضیح
n_componentsn_componentsصحیح = 0شمار مؤلفه‌ها.
componentscomponentsmatrix.Matrixمؤلفه‌ها.
meanmeanmatrix.Matrixمیانگین ستون‌ها.
explained_varianceexplained_variancematrix.Matrixواریانس هر مؤلفه.
explained_ratioexplained_ratiomatrix.Matrixسهم هر مؤلفه از واریانس.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

تبدیل transform

روال تبدیل(x &: matrix.Matrix): matrix.Matrix
داده را تبدیل می‌کند.

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

برازش سپس تبدیل fit_transform

روال برازش سپس تبدیل(x &: matrix.Matrix): matrix.Matrix
برازش و سپس تبدیل همان داده.

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

تبدیل معکوس inverse_transform

روال تبدیل معکوس(z &: matrix.Matrix): matrix.Matrix
تبدیل را برمی‌گرداند.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

نمونه‌ی این مورد همراه با موارد بالاتر آمده است: 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
n_componentsn_componentsصحیح = 2شمار مؤلفه‌ها.
componentscomponentsmatrix.Matrixمؤلفه‌ها.
singular_valuessingular_valuesmatrix.Matrixمقادیر تکین.
explained_varianceexplained_variancematrix.Matrixواریانس هر مؤلفه.
explained_ratioexplained_ratiomatrix.Matrixسهم هر مؤلفه از واریانس.
okokمنطقی = نادرستبرازش موفق بود.

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

برازش fit

روال برازش(x &: matrix.Matrix): منطقی
مدل را روی داده‌ی آموزش برازش می‌کند.

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

تبدیل transform

روال تبدیل(x &: matrix.Matrix): matrix.Matrix
داده را تبدیل می‌کند.

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

برازش سپس تبدیل fit_transform

روال برازش سپس تبدیل(x &: matrix.Matrix): matrix.Matrix
برازش و سپس تبدیل همان داده.

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

تبدیل معکوس inverse_transform

روال تبدیل معکوس(z &: matrix.Matrix): matrix.Matrix
تبدیل را برمی‌گرداند.

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

آزادسازی free

روال آزادسازی()
حافظه را آزاد می‌کند.

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

معیار آنتروپی TREE_ENTROPY

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

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

جایگذاری میانگین IMPUTE_MEAN

پایا جایگذاری میانگین: صحیح۳۲ = 0
جایگذاری با میانگین.

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

جایگذاری میانه IMPUTE_MEDIAN

پایا جایگذاری میانه: صحیح۳۲ = 1
جایگذاری با میانه.

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

رواداری یادگیری ML_TOL

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

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

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

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

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

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

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

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

هسته خطی KERNEL_LINEAR

پایا هسته خطی: صحیح۳۲ = 0
هسته‌ی خطی.

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

هسته شعاعی KERNEL_RBF

پایا هسته شعاعی: صحیح۳۲ = 1
هسته‌ی شعاعی گاوسی.

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

هسته چندجمله‌ای KERNEL_POLY

پایا هسته چندجمله‌ای: صحیح۳۲ = 2
هسته‌ی چندجمله‌ای.

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

روال‌ها

برچسب به عدد LabelsToInts

روال برچسب به عدد(y &: matrix.Matrix): وکتور<صحیح>
برچسب‌های اعشاری به عدد صحیح.

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

شمارش رده‌ها CountClasses

روال شمارش رده‌ها(y &: matrix.Matrix): صحیح
شمار رده‌ها.

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

تقسیم آموزش‌آزمون TrainTestSplit

روال تقسیم آموزش‌آزمون(x &: matrix.Matrix، y &: matrix.Matrix، 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: ml-Prep.salam

کی برش KFold

روال 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: ml-Prep.salam

کی برش طبقه‌ای StratifiedKFold

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

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

امتیاز اعتبارسنجی متقاطع CrossValScore

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

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

میانگین امتیاز MeanScore

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

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

امتیاز اعتبارسنجی متقاطع موازی CrossValScoreParallel

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

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

جستجوی شبکه‌ای GridSearch

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

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

امتیاز سایه‌نما SilhouetteScore

روال امتیاز سایه‌نما(x &: matrix.Matrix، labels &: matrix.Matrix): اعشار۶۴
امتیاز سایه‌نما؛ نزدیک یک یعنی خوشه‌های جدا و فشرده.

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

شاخص رند تعدیل‌شده AdjustedRandIndex

روال شاخص رند تعدیل‌شده(a &: matrix.Matrix، b &: matrix.Matrix): اعشار۶۴
شاخص رند تعدیل‌شده؛ یک یعنی برچسب‌ها همان خوشه‌بندی واقعی‌اند.

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

شبکه کشسان جدید NewElasticNet

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

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

درخت کی‌دی جدید NewKDTree

روال درخت کی‌دی جدید(x &: matrix.Matrix، leaf_size: صحیح): درخت کی‌دی
درخت کی‌دی از داده با اندازه‌ی برگ.

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

دقت Accuracy

روال دقت(y &: matrix.Matrix، pred &: matrix.Matrix): اعشار۶۴
دقت: سهم پیش‌بینی‌های درست.

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

ماتریس درهم‌ریختگی ConfusionMatrix

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

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

صحت Precision

روال صحت(y &: matrix.Matrix، pred &: matrix.Matrix، positive: اعشار۶۴): اعشار۶۴
صحت: از پیش‌بینی‌های مثبت چند تا درست بود.

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

بازیابی Recall

روال بازیابی(y &: matrix.Matrix، pred &: matrix.Matrix، positive: اعشار۶۴): اعشار۶۴
بازیابی: از مثبت‌های واقعی چند تا پیدا شد.

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

اف یک F1

روال اف یک(y &: matrix.Matrix، pred &: matrix.Matrix، positive: اعشار۶۴): اعشار۶۴
میانگین هارمونیک صحت و بازیابی.

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

اف یک کلان MacroF1

روال اف یک کلان(y &: matrix.Matrix، pred &: matrix.Matrix، n_classes: صحیح): اعشار۶۴
میانگین F1 همه‌ی رده‌ها.

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

سطح زیر منحنی RocAuc

روال سطح زیر منحنی(y &: matrix.Matrix، score &: matrix.Matrix): اعشار۶۴
سطح زیر منحنی ROC.

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

خطای لگاریتمی LogLoss

روال خطای لگاریتمی(y &: matrix.Matrix، proba &: matrix.Matrix): اعشار۶۴
خطای لگاریتمی احتمال‌ها.

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

میانگین مربعات خطا MSE

روال میانگین مربعات خطا(y &: matrix.Matrix، pred &: matrix.Matrix): اعشار۶۴
میانگین مربعات خطا.

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

میانگین قدرمطلق خطا MAE

روال میانگین قدرمطلق خطا(y &: matrix.Matrix، pred &: matrix.Matrix): اعشار۶۴
میانگین قدرمطلق خطا.

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

ریشه میانگین مربعات خطا RMSE

روال ریشه میانگین مربعات خطا(y &: matrix.Matrix، pred &: matrix.Matrix): اعشار۶۴
ریشه‌ی میانگین مربعات خطا.

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

ضریب تعیین R2Score

روال ضریب تعیین(y &: matrix.Matrix، pred &: matrix.Matrix): اعشار۶۴
ضریب تعیین.

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

منحنی راک RocCurve

روال منحنی راک(y &: matrix.Matrix، score &: matrix.Matrix): matrix.Matrix
نقطه‌های منحنی ROC: نرخ مثبت کاذب، نرخ مثبت درست و آستانه.

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

منحنی صحت بازیابی PrecisionRecallCurve

روال منحنی صحت بازیابی(y &: matrix.Matrix، score &: matrix.Matrix): matrix.Matrix
نقطه‌های منحنی صحت و بازیابی.

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

میانگین صحت AveragePrecision

روال میانگین صحت(y &: matrix.Matrix، score &: matrix.Matrix): اعشار۶۴
میانگین صحت.

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

دقت متوازن BalancedAccuracy

روال دقت متوازن(y &: matrix.Matrix، pred &: matrix.Matrix): اعشار۶۴
دقت متوازن برای رده‌های نامتوازن.

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

ضریب همبستگی متیوز MatthewsCorrCoef

روال ضریب همبستگی متیوز(y &: matrix.Matrix، pred &: matrix.Matrix): اعشار۶۴
ضریب همبستگی متیوز.

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

کاپای کوهن CohenKappa

روال کاپای کوهن(y &: matrix.Matrix، pred &: matrix.Matrix): اعشار۶۴
کاپای کوهن.

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

واریانس تبیین‌شده ExplainedVariance

روال واریانس تبیین‌شده(y &: matrix.Matrix، pred &: matrix.Matrix): اعشار۶۴
واریانس تبیین‌شده.

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

میانه خطای مطلق MedianAbsoluteError

روال میانه خطای مطلق(y &: matrix.Matrix، pred &: matrix.Matrix): اعشار۶۴
میانه‌ی خطای مطلق.

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

میانگین درصد خطای مطلق MAPE

روال میانگین درصد خطای مطلق(y &: matrix.Matrix، pred &: matrix.Matrix): اعشار۶۴
میانگین درصد خطای مطلق.

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