سورس طبقه بندی داده های Iris با الگوریتم Decision Tree

در این قسمت تیم کدگیت سورس طبقه بندی داده های Iris با الگوریتم Decision Tree را تهیه کرده است. یادگیری ماشین وارد دنیای روزمره ما انسان‌ها شده است. دیگر از طریق یک تلفن همراه و نصب اپلیکیشن می‌توان یک بیماری را تشخیص داد. یادگیری ماشین، هوش مصنوعی و تمامی شاخه‌های آن در دنیای امروز کاربردهای بسیاری پیدا کرده است. با توجه به گسترش این شاخه از علم، ما نیز تصمیم گرفتیم سورسی از همین رشته تهیه و آماده سازی نماییم. سورس طبقه بندی گل‌های زنبق که از الگوریتم Decision Tree استفاده می‌کند. با ما همراه باشید تا این سورس جذاب را معرفی کنیم.

سورس طبقه بندی داده های Iris با الگوریتم Decision Tree

تکنولوژی امروزه به سرعت در حال پیشرفت است. تشخیص عینک، تشخیص خودرو، تشخیص چشم و … تنها بخشی از پیشرفت تکنولوژی است که با کمک پردازش تصویر، بینایی ماشین و هوش مصنوعی قابل انجام است. در این قسمت سورس سورس طبقه بندی داده های Iris با الگوریتم Decision Tree در پایتون را تهیه کرده‌ایم. برای این کار ما از ماژول sklearn و seaborn و numpy و pandas و matplotlib کمک می‌گیریم. در صورتی که با این ماژول‌ها آشنایی ندارید پیشنهاد می‌کنیم دوره آموزش پیش نیاز علم داده را مطالعه نمایید چراکه در این دوره تمامی ماژول‌های فوق (به استثنا sklearn) آموزش داده می‌شوند. همچنین دیتاست استفاده گردیده در این پروژه IRIS Dataset می‌باشد.

دیتاست IRIS

همانطور که می‌دانید دیتاست IRIS (یا مجموعه داده گل زنبق) در 3 گروه Iris-setosa و Iris-versicolor و Iris-virginica دسته‌بندی شده است. پارامترهای این دیتاست به صورت زیر می باشد:

• طول کاسبرگ (sepal length)
• عرض کاسبرگ (sepal width)
• طول گلبرگ (petal length)
• طول گلبرگ (petal length)

در زیر تصویری از دسته‌بندی واقعی این دیتاست را می‌بینیم(نمودار زیر بر اساس 3 متغیر PetalWidthCm و SepalLengthCm و PetalLengthCm می‌باشد).

با کمک این دیتاست الگوریتم های یادگیری ماشین را پیاده سازی کرده و آن را تست می‌کنند. ما نیز از این دیتاست استفاده خواهیم کرد.

نحوه اجرا سورس طبقه بندی داده های Iris

زبان برنامه نویسی سورس طبقه بندی داده های Iris، پایتون بوده و فرمت فایل .py است. بعد از تهیه سورس از سایت کدگیت فایلی با فرمت zip در اختیار شما قرار می‌گیرد. فایل را از حالت zip خارج کرده تا بتوانید سورس کد را ببینید. فایل اصلی برنامه با نام Decision Tree Iris.py می‌باشد. این فایل را اجرا کنید تا برنامه اجرا شود. پس از اجرا خروجی زیر را مشاهده خواهید کرد:

مقایسه متغیرهای دیتاست در یک نمودار

بررسی وابستگی ویژگی‌ها

مقایسه ویژگی ها با Boxplot

علاوه بر تصاویر بالا در کنسول، خروجی زیر را خواهید دید:

   Id  SepalLengthCm  SepalWidthCm  PetalLengthCm  PetalWidthCm      Species
0   1            5.1           3.5            1.4           0.2  Iris-setosa
1   2            4.9           3.0            1.4           0.2  Iris-setosa
2   3            4.7           3.2            1.3           0.2  Iris-setosa
3   4            4.6           3.1            1.5           0.2  Iris-setosa
4   5            5.0           3.6            1.4           0.2  Iris-setosa
               Id  SepalLengthCm  SepalWidthCm  PetalLengthCm  PetalWidthCm
count  150.000000     150.000000    150.000000     150.000000    150.000000
mean    75.500000       5.843333      3.054000       3.758667      1.198667
std     43.445368       0.828066      0.433594       1.764420      0.763161
min      1.000000       4.300000      2.000000       1.000000      0.100000
25%     38.250000       5.100000      2.800000       1.600000      0.300000
50%     75.500000       5.800000      3.000000       4.350000      1.300000
75%    112.750000       6.400000      3.300000       5.100000      1.800000
max    150.000000       7.900000      4.400000       6.900000      2.500000
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 150 entries, 0 to 149
Data columns (total 6 columns):
 #   Column         Non-Null Count  Dtype
---  ------         --------------  -----
 0   Id             150 non-null    int64
 1   SepalLengthCm  150 non-null    float64
 2   SepalWidthCm   150 non-null    float64
 3   PetalLengthCm  150 non-null    float64
 4   PetalWidthCm   150 non-null    float64
 5   Species        150 non-null    object
dtypes: float64(4), int64(1), object(1)
memory usage: 7.2+ KB
None
Shape: (150, 6)
   SepalLengthCm  SepalWidthCm  PetalLengthCm  PetalWidthCm      Species
0            5.1           3.5            1.4           0.2  Iris-setosa
1            4.9           3.0            1.4           0.2  Iris-setosa
2            4.7           3.2            1.3           0.2  Iris-setosa
3            4.6           3.1            1.5           0.2  Iris-setosa
4            5.0           3.6            1.4           0.2  Iris-setosa
Species
0    50
1    50
2    50
Name: count, dtype: int64
Train Shape (112, 4)
Test Shape (38, 4)
The accuracy of the Decision Tree is 0.9736842105263158

در خروجی بالا اطلاعات زیر قرار گرفته است:

• ابعاد دیتاست
• اطلاعات آماری دیتاست
• دیتاست بعد از اعمال پیش پردازش
• ابعاد دیتاست train و test
• دقت مدل پس از train
• …

فایل‌ها و ماژول‌ها سورس کد

در سورس طبقه بندی داده های Iris از فایل‌ها و ماژول‌های زیر استفاده گردیده است:

• Numpy: نصب numpy با دستور pip install numpy از طریق cmd انجام می‌شود.
• pandas: با دستور pip install pandas از طریق cmd، نصب این ماژول انجام می‌شود.
• matplotlib: دستور pip install matplotlib را در cmd بزنید.
• seaborn: برای نصب seaborn نیز در cmd دستور pip install seaborn را بنویسید.
• scikit-learn: نصب scikit-learn با دستور pip install scikit-learn از طریق cmd انجام می‌شود.

برای نصب پایتون به طوری که در CMD بتوانید کدهای پایتون را اجرا و ماژول‌ها را نصب نمایید ویدئو زیر را حتماً مشاهده کنید: