دانلود حل مسائل یادگیری ماشین با پایتون بخش 2
با کیفیت ترین حل مسائل یادگیری ماشین با پایتون بخش 2 , دانلود حل مسائل یادگیری ماشین با پایتون بخش 2 , سایت دانلود حل مسائل یادگیری ماشین با پایتون بخش 2
⇓
حل مسائل یادگیری ماشین با پایتون بخش 2
توضیحات:
حل مسائل یادگیری ماشین با پایتون بخش 2.
7-دادهQ7_data.csvرا در نظر بگیرید.70درصد داده را برای آموزش و30درصد دادهرا برای تست در نظر بگیرید.یک مدل براساس رگرسیون خطی ایجاد کنید وپس از آموزش این مدل
(الف) معیار خطاMAEوRMSEرا براساس داده های تست به دست آورید.
(ب)میزان اهمیت ویژگیهای ورودی (F1,F2,F3)را تخمین خروجی به دست آورید (ضرایب این ویژگی در مدل رگرسیون خطی)
8-یک شبکه عصبی پرسپترون چند الیه با سه ورودی،4نرون در لایه پنهان و یک نرون در لایه خروجی در نظر بگیرید.مشابه با مساله قبل، شبکه عصبی را بر رویداده مساله قبل (Q7_data.csv)اعمال کنید
(الف)معیار خطاMAEوRMSEرا براساس داده های تست به دست آورید(نرخ یادگیری را0.2در نظر بگیرید).
(ب)معیارهای بخش الف را برای نرخ های یادگیری زیر به دست آوریدو نتیجه را در جدولارائه کنید و به صورت نمودار هم رسم کنید
9-مجموعه داده ایPV_Data.csvرا در نظر بگیرید.در این مجموعه داده ای اطلاعات کنتورهای هوشمندبرق تعدادی مشتری ارائه شده است.داده های این جدول بر اساس کیلووات بر ساعت است.هدف این است که بر اساس این داده ها تشخیص دهیم آیا یک مشتری از برق فتوولتاییک (برق با استفاده از پنل خورشیدی) استفاده می کند یا خیر؟ اطلاعات ورودی شامل پنج ویژگیBattery،Load، Generation،GridوSOCاست. جزییات این پنج ویژگی در زیر ارائه شده است.
حل مسائل یادگیری ماشین با پایتون بخش 2
توضیحات:
حل مسائل یادگیری ماشین با پایتون بخش 2.
7-دادهQ7_data.csvرا در نظر بگیرید.70درصد داده را برای آموزش و30درصد دادهرا برای تست در نظر بگیرید.یک مدل براساس رگرسیون خطی ایجاد کنید وپس از آموزش این مدل
(الف) معیار خطاMAEوRMSEرا براساس داده های تست به دست آورید.
(ب)میزان اهمیت ویژگیهای ورودی (F1,F2,F3)را تخمین خروجی به دست آورید (ضرایب این ویژگی در مدل رگرسیون خطی)
8-یک شبکه عصبی پرسپترون چند الیه با سه ورودی،4نرون در لایه پنهان و یک نرون در لایه خروجی در نظر بگیرید.مشابه با مساله قبل، شبکه عصبی را بر رویداده مساله قبل (Q7_data.csv)اعمال کنید
(الف)معیار خطاMAEوRMSEرا براساس داده های تست به دست آورید(نرخ یادگیری را0.2در نظر بگیرید).
(ب)معیارهای بخش الف را برای نرخ های یادگیری زیر به دست آوریدو نتیجه را در جدولارائه کنید و به صورت نمودار هم رسم کنید
(ب)میزان اهمیت ویژگیهای ورودی (F1,F2,F3)را تخمین خروجی به دست آورید (ضرایب این ویژگی در مدل رگرسیون خطی)
8-یک شبکه عصبی پرسپترون چند الیه با سه ورودی،4نرون در لایه پنهان و یک نرون در لایه خروجی در نظر بگیرید.مشابه با مساله قبل، شبکه عصبی را بر رویداده مساله قبل (Q7_data.csv)اعمال کنید
(الف)معیار خطاMAEوRMSEرا براساس داده های تست به دست آورید(نرخ یادگیری را0.2در نظر بگیرید).
(ب)معیارهای بخش الف را برای نرخ های یادگیری زیر به دست آوریدو نتیجه را در جدولارائه کنید و به صورت نمودار هم رسم کنید
9-مجموعه داده ایPV_Data.csvرا در نظر بگیرید.در این مجموعه داده ای اطلاعات کنتورهای هوشمندبرق تعدادی مشتری ارائه شده است.داده های این جدول بر اساس کیلووات بر ساعت است.هدف این است که بر اساس این داده ها تشخیص دهیم آیا یک مشتری از برق فتوولتاییک (برق با استفاده از پنل خورشیدی) استفاده می کند یا خیر؟ اطلاعات ورودی شامل پنج ویژگیBattery،Load، Generation،GridوSOCاست. جزییات این پنج ویژگی در زیر ارائه شده است.