टिप्पणियाँ
MATLAB में मशीन लर्निंग एल्गोरिदम कैसे लागू करें
संपादित 2 सप्ताह पहले द्वारा ExtremeHow संपादकीय टीम
मैटलैबमशीन लर्निंगएल्गोरिदमडेटा विज्ञानपूर्वानुमानात्मक विश्लेषिकीएआईप्रशिक्षण मॉडलमैटलैब टूलबॉक्सकृत्रिम बुद्धिमत्ताकम्प्यूटेशनल तकनीक
अनुवाद अपडेट किया गया 2 सप्ताह पहले
मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस का एक क्षेत्र है जिसमें कंप्यूटर को डेटा से सीखने और निर्णय लेने या भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है। MATLAB एक शक्तिशाली प्रोग्रामिंग वातावरण है जो इंजीनियरों और वैज्ञानिकों में डेटा विश्लेषण, संख्यात्मक गणना और विज़ुअलाइज़ेशन के लिए लोकप्रिय है। यह अंतर्निहित कार्य और टूलबॉक्स प्रदान करता है जो मशीन लर्निंग एल्गोरिदम को लागू करना आसान बनाते हैं।
मशीन लर्निंग के लिए MATLAB का परिचय
MATLAB, MathWorks द्वारा विकसित, एक उच्च-स्तरीय भाषा और संख्यात्मक गणना, दृश्यता और प्रोग्रामिंग के लिए इंटरैक्टिव वातावरण है। यह अपनी सरलता, व्यापक उपकरण सेट और मैट्रिक्स और रैखिक बीजगणित संचालन के लिए उत्कृष्ट समर्थन के कारण मशीन लर्निंग के लिए व्यापक रूप से उपयोग किया जाता है।
मूल MATLAB संचालन
MATLAB में मशीन लर्निंग में तल्लीन करने से पहले, आपको MATLAB के बुनियादी संचालन को समझना होगा। MATLAB एक सरणी-आधारित भाषा का उपयोग करता है जहां संचालन मैट्रिक्स और सरणियों पर किए जाते हैं। उदाहरण के लिए, MATLAB में एक सरल मैट्रिक्स बनाने के लिए, आप वर्ग कोष्ठक का उपयोग करते हैं:
% 2x2 मैट्रिक्स बनाएँ A = [1, 2; 3, 4];
इस समझ के साथ, हम MATLAB के मशीन लर्निंग टूल्स, जैसे 'स्टैटिस्टिक्स एंड मशीन लर्निंग टूलबॉक्स', का उपयोग एल्गोरिदम बनाने के लिए कर सकते हैं।
MATLAB में मशीन लर्निंग एल्गोरिदम को लागू करने के चरण
मशीन लर्निंग एल्गोरिदम को लागू करना आमतौर पर कई मुख्य चरणों में शामिल होता है: डेटा लोड करना, डेटा पूर्वप्रसंस्करण, मॉडल का चयन, मॉडल प्रशिक्षण और मॉडल के प्रदर्शन का मूल्यांकन। MATLAB में इन चरणों का विस्तृत विवरण इस प्रकार है:
1. डेटा लोड करना
डेटा को टेक्स्ट फ़ाइलों, एक्सेल स्प्रेडशीट या डेटाबेस जैसी विभिन्न स्रोतों से MATLAB में लोड किया जा सकता है। उदाहरण के लिए, CSV फ़ाइल से डेटा लोड करने के लिए, आप उपयोग कर सकते हैं:
data = readtable('data.csv');
इस उदाहरण में, readtable() फ़ाइल को पढ़ता है और इसे तालिका प्रारूप में संग्रहीत करता है, जिससे डेटा प्रबंधित करना और उसका विश्लेषण करना आसान हो जाता है।
2. डेटा पूर्वप्रसंस्करण
मशीन लर्निंग में मॉडल के प्रदर्शन और सटीकता में सुधार के लिए डेटा पूर्वप्रसंस्करण महत्वपूर्ण है। इसमें सामान्यीकरण, लापता मानों को संभालना और फीचर निष्कर्षण जैसी कार्य शामिल हो सकते हैं। MATLAB में, इन कार्यों को विभिन्न फ़ंक्शंस का उपयोग करके किया जा सकता है जैसे:
% डेटा को सामान्य करें normData = normalize(data); % लापता मानों को औसत से भरकर संभालें data = fillmissing(data, 'constant', mean(data, 'omitnan'));
3. मॉडल का चयन करें
MATLAB मशीन लर्निंग मॉडल बनाने के लिए विभिन्न फ़ंक्शंस प्रदान करता है। समस्या के आधार पर, आप उपयुक्त एल्गोरिदम चुन सकते हैं, जैसे प्रतिगमन कार्यों के लिए रैखिक प्रतिगमन या वर्गीकरण कार्यों के लिए निर्णय वृक्ष। उदाहरण के लिए, आप एक निर्णय वृक्ष मॉडल बना सकते हैं:
% एक निर्णय वृक्ष मॉडल बनाएँ treeModel = fitctree(data(:, 1:end-1), data(:, end));
यहां, fitctree() प्रशिक्षण डेटा पर एक निर्णय वृक्ष वर्गीकरण मॉडल बनाने के लिए उपयोग किया जाता है।
4. मॉडल का प्रशिक्षण
मॉडल का प्रशिक्षण आपके डेटा सेट का उपयोग करके मशीन लर्निंग एल्गोरिदम को सिखाने में शामिल होता है। यह चरण अनुकूलन तकनीकों का उपयोग करके त्रुटि को कम करने के लिए मॉडल के पैरामीटर को समायोजित करता है। ऊपर दिए गए उदाहरण में, मॉडल प्रशिक्षण treeModel के निर्माण के दौरान अप्रत्यक्ष रूप से किया जाता है।
5. मॉडल का मूल्यांकन
एक बार मॉडल प्रशिक्षण हो जाने के बाद, इसकी विश्वसनीयता और सटीकता सुनिश्चित करने के लिए इसके प्रदर्शन का मूल्यांकन करना महत्वपूर्ण है। सामान्य मूल्यांकन मेट्रिक्स में भ्रम मैट्रिक्स, सटीकता, रिकॉल, F1 स्कोर और अन्य शामिल हैं। MATLAB में, आप मॉडल के प्रदर्शन का मूल्यांकन कर सकते हैं:
% परीक्षण डेटा पर अनुमान लगाएं predictions = predict(treeModel, testData(:, 1:end-1)); % भ्रम मैट्रिक्स का उपयोग करके मॉडल का मूल्यांकन करें confMat = confusionmat(testData(:, end), predictions);
यहां, predict() परीक्षण डेटासेट पर अनुमान लगाने के लिए उपयोग किया जाता है, और confusionmat() वर्गीकरण सटीकता का मूल्यांकन करने के लिए भ्रम मैट्रिक्स की गणना करता है।
MATLAB में विशिष्ट मशीन लर्निंग एल्गोरिदम लागू करना
आइए कुछ सामान्य मशीन लर्निंग एल्गोरिदम का चयन करें और देखें कि उन्हें MATLAB में कैसे लागू किया जा सकता है।
रैखिक प्रतिगमन
रैखिक प्रतिगमन का उपयोग इनपुट विशेषताओं के रैखिक फ़ंक्शन का उपयोग करके वास्तविक-मूल्य आउटपुट की भविष्यवाणी करने के लिए किया जाता है। MATLAB में, आप fitlm() फ़ंक्शन का उपयोग करके रैखिक प्रतिगमन को लागू कर सकते हैं:
% उदाहरण डेटा लोड करें load carsmall; % रैखिक प्रतिगमन मॉडल फिट करें lmModel = fitlm(Weight, MPG); % मॉडल का सारांश देखें disp(lmModel);
यह कोड स्निपेट उदाहरण डेटा लोड करता है और 'वजन' के आधार पर 'एमपीजी' (मील प्रति गैलन) की भविष्यवाणी करने के लिए एक रैखिक प्रतिगमन मॉडल फिट करता है। fitlm() फ़ंक्शन रैखिक मॉडल के निर्माण को सरल करता है।
निर्णय वृक्ष
निर्णय वृक्ष वर्गीकरण और प्रतिगमन कार्यों के लिए शक्तिशाली हैं। वर्गीकरण के लिए निर्णय वृक्ष को लागू करने का एक उदाहरण नीचे दिया गया है:
% उदाहरण डेटासेट लोड करें load fisheriris; % वर्गीकरण वृक्ष फिट करें treeModel = fitctree(meas, species); % वृक्ष देखें view(treeModel, 'Mode', 'graph');
इस उदाहरण में, क्लासिक फिशर के आईरिस डेटा सेट का उपयोग विशेषताओं के आधार पर आईरिस प्रजातियों को वर्गीकृत करने के लिए एक वर्गीकरण वृक्ष फिट करने के लिए किया जाता है। fitctree() फ़ंक्शन एक वृक्ष मॉडल बनाता है।
सपोर्ट वेक्टर मशीन (SVM)
हाई-डायमेंशनल स्पेसेस में SVM प्रभावी हैं और उन्हें वर्गीकरण और प्रतिगमन कार्यों दोनों के लिए उपयोग किया जाता है। MATLAB में SVM कैसे लागू करें, यह इस प्रकार है:
% उदाहरण डेटा लोड करें load ionosphere; % SVM मॉडल फिट करें svmModel = fitcsvm(X, Y, 'KernelFunction', 'linear'); % समर्थन वेक्टर देखें svmModel.SupportVectors;
यह कोड स्निपेट 'आयनोस्फीयर' डेटासेट का उपयोग करके एक लीनियर कर्नल के साथ एक SVM मॉडल फिट करता है। fitcsvm() फ़ंक्शन कुशलतापूर्वक SVM वर्गीकरण करता है।
k-निकटतम पड़ोसी (k-NN)
k-NN एल्गोरिदम सरल है लेकिन वर्गीकरण कार्यों के लिए प्रभावी है। MATLAB में, आप इसे इस प्रकार लागू कर सकते हैं:
% उदाहरण डेटासेट लोड करें load fisheriris; % k-NN मॉडल फिट करें knnModel = fitcknn(meas, species, 'NumNeighbors', 3); % मॉडल का उपयोग करके प्रजातियों का अनुमान लगाएं predictedSpecies = predict(knnModel, meas);
यह उदाहरण आईरिस डेटासेट का उपयोग करता है, जो 3 पड़ोसियों के साथ एक k-NN मॉडल बनाता है। fitcknn() फ़ंक्शन एक k-NN वर्गीकरण मॉडल बनाता है।
k-मीन के साथ क्लस्टरिंग
k-Means एक साधारण अनुपरीक्षित अधिगम एल्गोरिदम है जिसका उपयोग डेटा को k क्लस्टरों में समूहित करने के लिए किया जाता है। MATLAB में इसका उपयोग इस प्रकार किया जा सकता है:
% उदाहरण डेटासेट लोड करें load fisheriris; % k-मीन क्लस्टरिंग करें k = 3; % क्लस्टरों की संख्या idx = kmeans(meas, k);
यह कोड स्निपेट आईरिस डेटासेट को तीन क्लस्टरों में समूहित करता है kmeans() फ़ंक्शन का उपयोग करके।
मशीन लर्निंग के लिए MATLAB टूलबॉक्स
MATLAB के पास कई टूलबॉक्स हैं जो इसके मशीन लर्निंग क्षमताओं का विस्तार करते हैं:
स्टैटिस्टिक्स और मशीन लर्निंग टूलबॉक्स
इस टूलबॉक्स में वर्णनात्मक सांख्यिकी, सांख्यिकीय मॉडलिंग और मशीन लर्निंग के लिए फ़ंक्शंस और एप्स शामिल हैं। यह मॉडल प्रशिक्षण और मूल्यांकन फ़ंक्शंस, फीचर चयन और अधिक प्रदान करता है।
डीप लर्निंग टूलबॉक्स
यह टूलबॉक्स पूर्व परिभाषित नेटवर्क आर्किटेक्चर, दृश्यता उपकरण और प्रशिक्षण क्षमताओं के साथ गहरे शिक्षण एल्गोरिदम को डिजाइन और कार्यान्वित करने के लिए एक वातावरण प्रदान करता है।
अनुकूलन टूलबॉक्स
अनुकूलन टूलबॉक्स ऐसे उद्देश्यों को कम या अधिकतम करने के लिए एल्गोरिदम प्रदान करता है जो बाधाओं को संतुष्ट करते हैं। मॉडल प्रशिक्षण में उपयोगी, जहां हानि फ़ंक्शंस का अनुकूलन आवश्यक है।
निष्कर्ष
MATLAB की उच्च-स्तरीय भाषा क्षमताओं और मजबूत टूलबॉक्स के लिए मशीन लर्निंग एल्गोरिदम को लागू करना अपेक्षाकृत सरल बनाता है। चाहे आप डेटा पूर्वप्रसंस्करण, मॉडलिंग, प्रशिक्षण, या मूल्यांकन से निपट रहे हों, MATLAB कार्यप्रवाह को सरल बनाने और प्रक्रिया को सुविधाजनक बनाने के लिए एक व्यापक समाधान प्रदान करता है।
यह गाइड MATLAB का उपयोग करके मशीन लर्निंग कार्यों को कैसे करें, इस पर विस्तृत जानकारी प्रदान करता है। अभ्यास और अन्वेषण के साथ, आप विभिन्न समस्याओं के लिए उपयुक्त मशीन लर्निंग एल्गोरिदम की एक विस्तृत श्रृंखला को लागू करने में महारत हासिल कर सकते हैं।
अलग-अलग डेटासेट और एल्गोरिदम के साथ प्रयोग करना यह समझने के लिए महत्वपूर्ण है कि MATLAB में विभिन्न मशीन लर्निंग मॉडलों का व्यवहार और प्रदर्शन कैसे होता है। हमेशा सीखते रहें और मशीन लर्निंग तकनीकों में प्रगति के साथ अपने कौशल को अपडेट करते रहें।
यदि आपको लेख की सामग्री में कुछ गलत लगता है, आप कर सकते हैं