def tSNE_method(axes, user_xaxis, user_yaxis, clusters):
"""
Навчання за методом t-SNE та підготовка результатів для друку на виводу графіку
"""
# Визначення моделі та швидкості навчання
model = TSNE()
# навчання моделі
transformed = model.fit_transform(iris_df.data)
model = KMeans(n_clusters=clusters)
model.fit(transformed)
# Передбачення на всьому наборі даних
all_predictions = model.predict(transformed)
# Розділення набору даних
x_axis = transformed[:, user_xaxis]
y_axis = transformed[:, user_yaxis]
axes[1][0].scatter(x_axis, y_axis, c=all_predictions)
axes[1][0].set_xlabel('Метод К-середніх зі зменш. розм.')
return 'Передбачені міткі (Метод К-cередніх зі зменш. розм.):\n {}'.format(
all_predictions)
print(cv_score)
cv_score.mean() # mean accuracy value of validation sets
cv_score.std()
###### Stratified Cross Validation
from sklearn.model_selection import StratifiedKFold
skfolds = StratifiedKfold(n_splits = 5, random_state = 42)
for tr_idx, te_idx in skfolds.split(X_train, y_train):
X_train_fold = X_train[tr_idx]
X_test_fold = X_train[te_idx]
y_train_fold = y_train[tr_idx]
y_test_fold = y_train[te_idx]
model.fit(X_train_fold, y_train_fold)
pred_fold = model.predict(X_test_fold)
print("Accuracy score: ", mean(pred_fold == y_test_fold))
############# 2) Regularized Regression #############
###### Elastic-Net
from sklearn.linear_model import ElasticNet
elas = ElasticNet()
myParam = {'l1_ratio': np.linspace(0, 1, 30)}
gm_cv = GridSearchCV(elas, myParam, cv = 5)
gm_cv.fit(X_train, y_train)
y_pred = gm_cv.predict(X_test)
gm_cv.best_score_
gm_cv.best_params_
print("Tuned ElasticNet l1 ratio: {}".format(gm_cv.best_params_))
