Kerasni tasvirlab bering va nima uchun uni TensorFlow o'rniga ishlatishingiz kerak

Issiqlik xaritasi grafigi bilan korrelyatsiyani tekshiring
768 null bo'lmagan int64
768 null bo'lmagan float64
RangeIndex: 768 ta yozuv, 0 dan 767 gacha
Seaborn ma'lumotlar to'plamidagi har bir qiymatni o'ziga va har biriga qarshi chizib, issiqlik xaritasi tipidagi diagramma yaratadi
Ma'lumotlar ustunlari (jami 9 ta ustun):
768 null bo'lmagan float64
boshqa qiymat. Keyin bu ikki qiymat bir-biri bilan bog'liq yoki yo'qligini aniqlaydi.
dengiz tug'ilganlarni sns sifatida import qilish
Homiladorlik
Glyukoza
Qon bosimi Teri
Qalinligi Insulin BMI
Qandli
diabet Naslchilik Funksiya Yosh Natija
turlari:
float64(2), int64(7)
768 null bo'lmagan int64
matplotlibni plt sifatida import qiling
korr = data.corr()
768 null bo'lmagan int64
sns.heatmap(to'g'ri,
Mukammal bog'langan elementlar korrelyatsiya qiymatiga ega 1. Shubhasiz, har bir ko'rsatkich mukammaldir
Xotiradan foydalanish: 54,1 KB
xticklabels=corr.columns.values,
o'zi bilan o'zaro bog'liq., diagonal bo'ylab diagonal bo'ylab o'tadigan tan chizig'i bilan tasvirlangan.
768 null bo'lmagan int64
768 null bo'lmagan int64
Keyinchalik, o'zgaruvchilar orasidagi har qanday korrelyatsiyani ko'rish uchun ushbu kodni ishga tushiring. Yakuniy model uchun bu muhim emas
yticklabels=corr.columns.values)
data.info()
Shuningdek, dataframedagi qiymatlarni quyidagicha tekshirishingiz mumkin:
768 null bo'lmagan int64
lekin ma'lumotlar haqida qo'shimcha ma'lumot olish uchun foydalidir.

768 null bo'lmagan int64
Machine Translated by Google

---

Sinov va o'quv ma'lumotlar to'plamini tayyorlang
Jadvalda to'q sariq kvadratchalar ko'p emas.
Shunday qilib, siz aytishingiz mumkinki, hech qanday qiymat 80% diabet (natija) keltirishi mumkin emas . Bu individual
o'zgaruvchilar o'rtasida unchalik bog'liqlik yo'qdek. Ammo shuni ko'ramizki, jami olinganda, biz ushbu omillarning barchasini
hisobga olgan holda, qandli diabetni kim rivojlanishini deyarli 75% aniqlik bilan bashorat qilishimiz mumkin.
data.corr(ma'lumotlar)
Ma'lumotlarni trening va test ma'lumotlar to'plamlariga bo'lish uchun tran_test_split(X, y, test_size=0,33, tasodifiy_state=42)
scikit-learn funksiyasidan foydalanamiz, bunda test ma'lumotlari to'plamiga yozuvlarning 33 foizi berilgan. Trening
ma'lumotlar to'plami rejimni o'rgatish uchun ishlatiladi, ya'ni og'irliklar va noaniqliklarni topadi . Sinov ma'lumotlari to'plami
uning to'g'riligini tekshirish uchun ishlatiladi.