აირჩიე მანქანური სწავლების ალგორითმი კლასიფიკაციის დავისთვის, რომელსაც ენდობი?

კლასიფიკაციის დავალებებისთვის ხშირად ირჩევენ ლოჯისტიკური რეგრესიის ან შესყიდვის ხის ალგორითმებს, რადგან ისინი მარტივია და ინტერპრეტირებადი.

მაგალითად, ლოჯისტიკური რეგრესია კარგად მუშაობს ბინარულ კლასიფიკაციაზე და სწრაფად ითვისება მცირე და საშუალო მონაცემთა ნაკრებზე. იგი მოდელირებს ობიექტის კლასში შეყვანის ალბათობას სიგმოიდული ფუნქციის მეშვეობით.

Python-ში sklearn-ის გამოყენებით მაგალითი:

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# მონაცემების ჩატვირთვა
X, y = load_iris(return_X_y=True)

# მარტივობისთვის მხოლოდ ორი კლასი ავიღეთ
X = X[y != 2]
y = y[y != 2]

# გაწვრთნის და ტესტის ნაკრებების დაყოფა
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# მოდელის გაწვრთნა
model = LogisticRegression()
model.fit(X_train, y_train)

# სიზუსტის შეფასება
print("სიზუსტე:", model.score(X_test, y_test))

ეს ალგორითმი მარტივია განსახორციელებლად და ხშირად გამოიყენება კლასიფიკაციის დავალებებისთვის კარგი საწყისის სახით.