Apprentissage automatique avec les bibliothèques Linfa et Polars de Rust : régression linéaire-IA-php.cn

Apprentissage automatique avec les bibliothèques Linfa et Polars de Rust : régression linéaire

WBOY

Libérer： 2024-03-01 17:25:02

avant

1161 Les gens l'ont consulté

Apprentissage automatique avec les bibliothèques Linfa et Polars de Rust : régression linéaire

Dans cet article, nous utiliserons la bibliothèque Linfa et la bibliothèque Polars de Rust pour implémenter l'algorithme de régression linéaire dans l'apprentissage automatique.

La caisse Linfa vise à fournir une boîte à outils complète pour créer des applications d'apprentissage automatique à l'aide de Rust.

Polars est une bibliothèque Rust DataFrame basée sur le modèle de mémoire Apache Arrow. Apache Arrow fournit des structures de données en colonnes efficaces et est progressivement devenu le standard de facto.

Dans l'exemple ci-dessous, nous utilisons un ensemble de données sur le diabète pour entraîner un algorithme de régression linéaire.

Créez un nouveau projet Rust à l'aide de la commande suivante :

cargo new machine_learning_linfa

Copier après la connexion

Ajoutez les dépendances suivantes dans le fichier Cargo.toml :

[dependencies]linfa = "0.7.0"linfa-linear = "0.7.0"ndarray = "0.15.6"polars = { version = "0.35.4", features = ["ndarray"]}

Copier après la connexion

Créez un fichier diabète_file.csv dans le répertoire racine du projet et écrivez l'ensemble de données dans le déposer .

AGESEX BMI BPS1S2S3S4S5S6Y592 32.1101 157 93.2384 4.859887151481 21.687183 103.2 703 3.89186975722 30.593156 93.6414 4.672885141241 25.384198 131.4 405 4.890389206501 23101 192 125.4 524 4.290580135231 22.689139 64.8612 4.18976897362 2290160 99.6503 3.951282138662 26.2114 255 185 564.554.24859263602 32.183179 119.4 424 4.477394110.............

Copier après la connexion

Téléchargez l'ensemble de données à partir d'ici : https://www4.stat.ncsu.edu/~boos/var.select/diabetes.tab.txt

Écrivez ce qui suit dans le src/main.rs Code du fichier :

use linfa::prelude::*;use linfa::traits::Fit;use linfa_linear::LinearRegression;use ndarray::{ArrayBase, OwnedRepr};use polars::prelude::*; // Import polarsfn main() -> Result> {// 将制表符定义为分隔符let separator = b'\t';let df = polars::prelude::CsvReader::from_path("./diabetes_file.csv")?.infer_schema(None).with_separator(separator).has_header(true).finish()?;println!("{:?}", df);// 提取并转换目标列let age_series = df.column("AGE")?.cast(&DataType::Float64)?;let target = age_series.f64()?;println!("Creating features dataset");let mut features = df.drop("AGE")?;// 遍历列并将每个列强制转换为Float64for col_name in features.get_column_names_owned() {let casted_col = df.column(&col_name)?.cast(&DataType::Float64).expect("Failed to cast column");features.with_column(casted_col)?;}println!("{:?}", df);let features_ndarray: ArrayBase<ownedrepr>, _> =features.to_ndarray::<float64type>(IndexOrder::C)?;let target_ndarray = target.to_ndarray()?.to_owned();let (dataset_training, dataset_validation) =Dataset::new(features_ndarray, target_ndarray).split_with_ratio(0.80);// 训练模型let model = LinearRegression::default().fit(&dataset_training)?;// 预测let pred = model.predict(&dataset_validation);// 评价模型let r2 = pred.r2(&dataset_validation)?;println!("r2 from prediction: {}", r2);Ok(())}</float64type></ownedrepr>

Copier après la connexion

Utilisez le lecteur CSV de Polar pour lire le fichier CSV.
Imprimez le dataframe sur la console pour inspection.
Extrayez la colonne "AGE" du DataFrame comme variable cible pour la régression linéaire. Convertissez la colonne cible en Float64 (nombre à virgule flottante double précision), qui est un format courant pour les données numériques dans l'apprentissage automatique.
Convertit les fonctionnalités DataFrame en narray::ArrayBase (un tableau multidimensionnel) pour la compatibilité avec Linfa. Convertissez les séquences cibles en tableaux compatibles avec la bibliothèque linfa pour l'apprentissage automatique.
Divisez l'ensemble de données en ensembles de formation et de validation en utilisant un ratio de 80-20, ce qui est une pratique courante dans l'apprentissage automatique pour évaluer des modèles sur des données inconnues.
Utilisez l'algorithme de régression linéaire de Linfa pour entraîner un modèle de régression linéaire sur l'ensemble de données d'entraînement.
Utilisez le modèle entraîné pour faire des prédictions sur l'ensemble de données de validation.
Calculez la mesure R² (Coefficient de Détermination) sur l'ensemble de données de validation pour évaluer les performances du modèle. La valeur R² indique dans quelle mesure les prédictions de régression se rapprochent des points de données réels.

Exécutez cargo run, et les résultats d'exécution sont les suivants :

shape: (442, 11)┌─────┬─────┬──────┬───────┬───┬──────┬────────┬─────┬─────┐│ AGE ┆ SEX ┆ BMI┆ BP┆ … ┆ S4 ┆ S5 ┆ S6┆ Y ││ --- ┆ --- ┆ ---┆ --- ┆ ┆ ---┆ ---┆ --- ┆ --- ││ i64 ┆ i64 ┆ f64┆ f64 ┆ ┆ f64┆ f64┆ i64 ┆ i64 │╞═════╪═════╪══════╪═══════╪═══╪══════╪════════╪═════╪═════╡│ 59┆ 2 ┆ 32.1 ┆ 101.0 ┆ … ┆ 4.0┆ 4.8598 ┆ 87┆ 151 ││ 48┆ 1 ┆ 21.6 ┆ 87.0┆ … ┆ 3.0┆ 3.8918 ┆ 69┆ 75││ 72┆ 2 ┆ 30.5 ┆ 93.0┆ … ┆ 4.0┆ 4.6728 ┆ 85┆ 141 ││ 24┆ 1 ┆ 25.3 ┆ 84.0┆ … ┆ 5.0┆ 4.8903 ┆ 89┆ 206 ││ … ┆ … ┆ …┆ … ┆ … ┆ …┆ …┆ … ┆ … ││ 47┆ 2 ┆ 24.9 ┆ 75.0┆ … ┆ 5.0┆ 4.4427 ┆ 102 ┆ 104 ││ 60┆ 2 ┆ 24.9 ┆ 99.67 ┆ … ┆ 3.77 ┆ 4.1271 ┆ 95┆ 132 ││ 36┆ 1 ┆ 30.0 ┆ 95.0┆ … ┆ 4.79 ┆ 5.1299 ┆ 85┆ 220 ││ 36┆ 1 ┆ 19.6 ┆ 71.0┆ … ┆ 3.0┆ 4.5951 ┆ 92┆ 57│└─────┴─────┴──────┴───────┴───┴──────┴────────┴─────┴─────┘Creating features datasetshape: (442, 11)┌─────┬─────┬──────┬───────┬───┬──────┬────────┬─────┬─────┐│ AGE ┆ SEX ┆ BMI┆ BP┆ … ┆ S4 ┆ S5 ┆ S6┆ Y ││ --- ┆ --- ┆ ---┆ --- ┆ ┆ ---┆ ---┆ --- ┆ --- ││ i64 ┆ i64 ┆ f64┆ f64 ┆ ┆ f64┆ f64┆ i64 ┆ i64 │╞═════╪═════╪══════╪═══════╪═══╪══════╪════════╪═════╪═════╡│ 59┆ 2 ┆ 32.1 ┆ 101.0 ┆ … ┆ 4.0┆ 4.8598 ┆ 87┆ 151 ││ 48┆ 1 ┆ 21.6 ┆ 87.0┆ … ┆ 3.0┆ 3.8918 ┆ 69┆ 75││ 72┆ 2 ┆ 30.5 ┆ 93.0┆ … ┆ 4.0┆ 4.6728 ┆ 85┆ 141 ││ 24┆ 1 ┆ 25.3 ┆ 84.0┆ … ┆ 5.0┆ 4.8903 ┆ 89┆ 206 ││ … ┆ … ┆ …┆ … ┆ … ┆ …┆ …┆ … ┆ … ││ 47┆ 2 ┆ 24.9 ┆ 75.0┆ … ┆ 5.0┆ 4.4427 ┆ 102 ┆ 104 ││ 60┆ 2 ┆ 24.9 ┆ 99.67 ┆ … ┆ 3.77 ┆ 4.1271 ┆ 95┆ 132 ││ 36┆ 1 ┆ 30.0 ┆ 95.0┆ … ┆ 4.79 ┆ 5.1299 ┆ 85┆ 220 ││ 36┆ 1 ┆ 19.6 ┆ 71.0┆ … ┆ 3.0┆ 4.5951 ┆ 92┆ 57│└─────┴─────┴──────┴───────┴───┴──────┴────────┴─────┴─────┘r2 from prediction: 0.15937814745521017

Copier après la connexion

Pour les data scientists qui privilégient l'itération et le prototypage rapides, le temps de compilation de Rust peut être un casse-tête. Le système de types statiques puissant de Rust, bien qu'il soit efficace pour garantir la sécurité des types et réduire les erreurs d'exécution, ajoute également une couche de complexité au processus de codage.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!