Ciencia de los datos - entrevistas

🤔 Назови пример для мультиклассовой и мультилейбловой задачи Распознавание рукописных цифр (0–9) в задаче MNIST. Входные данные: изображение (28×28 пикселей). Выход: один из 10 классов (0, 1, 2, ..., 9). from sklearn.datasets import load_digits from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # Загружаем данные digits = load_digits() X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.2, random_state=42) # Обучаем модель model = LogisticRegression(max_iter=5000, multi_class='multinomial', solver='lbfgs') model.fit(X_train, y_train) # Делаем предсказание y_pred = model.predict(X_test) print(f'Accuracy: {accuracy_score(y_test, y_pred)}') Пример для мультилейбловой (multilabel) задачи В мультилейбловой классификации у одного объекта может быть несколько меток одновременно. Классификация жанров фильмов на основе описания. Один фильм может относиться сразу к нескольким жанрам: Фильм: "Матрица" Жанры: [боевик, научная фантастика, триллер] Используем MultiLabelBinarizer и OneVsRestClassifier: from sklearn.datasets import make_multilabel_classification from sklearn.linear_model import LogisticRegression from sklearn.multiclass import OneVsRestClassifier from sklearn.preprocessing import MultiLabelBinarizer # Генерируем синтетические мультилейбловые данные X, y = make_multilabel_classification(n_samples=1000, n_classes=5, n_labels=2, random_state=42) # Разделяем данные X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Обучаем мультилейбловую модель model = OneVsRestClassifier(LogisticRegression(max_iter=5000)) model.fit(X_train, y_train) # Делаем предсказание y_pred = model.predict(X_test) # Выводим пример предсказания print(f'Пример реальных меток: {y_test[0]}') print(f'Пример предсказанных меток: {y_pred[0]}') Ставь 👍 и забирай 📚 Базу знаний