پروژه های کاربردی با SciPy همراه با مثال

پروژه های کاربردی با SciPy همراه با مثال

در حالی که SciPy یک کتابخانه کامل برای یادگیری ماشین نیست، می توانید از آن برای انجام وظایف پایه ای یادگیری ماشین و حل مسائل در حوزه های مختلف علم و مهندسی استفاده کنید. در اینجا چند نمونه از پروژه های کاربردی با SciPy همراه با مثال آورده شده است:

1. خوشه بندی داده های مشتری با k-means:

مسئله: فرض کنید شرکتی هستید که محصولات را به صورت آنلاین می فروشید. شما می خواهید مشتریان خود را بر اساس عادات خریدشان به گروه های مختلف تقسیم کنید تا بتوانید کمپین های بازاریابی هدفمند را اجرا کنید.

راه حل: می توانید از الگوریتم k-means SciPy برای خوشه بندی مشتریان خود بر اساس داده های خرید آنها استفاده کنید. به عنوان مثال، می توانید از ویژگی هایی مانند تاریخچه خرید، محصولات خریداری شده، مبالغ خرج شده و مکان آنها برای خوشه بندی مشتریان استفاده کنید.

مثال:

import numpy as np
from scipy.cluster.kmeans import kmeans

# Load customer data
customer_data = np.loadtxt('customer_data.csv', delimiter=',')

# Select features for clustering
features = customer_data[:, :-1]  # Features (e.g., purchase history, amount spent)

# Perform k-means clustering with k=3 clusters
kmeans_result = kmeans(features, k=3)

# Get cluster labels for each customer
cluster_labels = kmeans_result.labels_

# Print the cluster labels
print("Cluster labels:", cluster_labels)

2. پیش بینی قیمت مسکن با رگرسیون خطی:

مسئله: شما یک مشاور املاک هستید و می خواهید مدلی برای پیش بینی قیمت مسکن بر اساس ویژگی هایی مانند متراژ، تعداد اتاق خواب، حمام، سال ساخت و محله ایجاد کنید.

راه حل: می توانید از رگرسیون خطی SciPy برای ایجاد مدلی برای پیش بینی قیمت مسکن استفاده کنید. سپس می توانید از این مدل برای تخمین ارزش خانه ها برای خریداران و فروشندگان بالقوه استفاده کنید.

مثال:

import numpy as np
from scipy.stats import linregress

# Load housing data
housing_data = np.loadtxt('housing_data.csv', delimiter=',')

# Separate features (X) and target variable (y)
X = housing_data[:, :-1]  # Features (e.g., square footage, bedrooms, bathrooms)
y = housing_data[:, -1]  # Target variable (price)

# Fit the linear regression model
model = linregress(X, y)

# Print the model coefficients
print("Model coefficients:", model.slope, model.intercept)

# Use the model to predict the price of a new house
new_house_features = [1500, 3, 2, 2020, 'Central Park']  # Example features
predicted_price = model.slope * new_house_features + model.intercept
print("Predicted price:", predicted_price)

3. تشخیص تقلب در کارت اعتباری با SVM:

مسئله: شما یک شرکت کارت اعتباری هستید و می خواهید مدلی برای تشخیص معاملات تقلبی کارت اعتباری ایجاد کنید تا از ضررهای مالی جلوگیری کنید.

راه حل: می توانید از SVM SciPy برای ایجاد مدلی برای طبقه بندی معاملات به عنوان معتبر یا تقلبی استفاده کنید. به عنوان مثال، می توانید از ویژگی هایی مانند مبلغ معامله، محل معامله، زمان معامله و سابقه تراکنش کارت برای آموزش مدل استفاده کنید.

مثال:

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# Load credit card data
data = pd.read_csv('credit_card_data.csv')

# Separate features (X) and target variable (y)
X = data[['amount', 'location', 'time', 'transaction_history']]
y = data['fraudulent']

# Split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Create and train the SVM model
model = SVC(kernel='rbf', C=1.0, gamma=0.1)
model.fit(X_train, y_train)

# Evaluate the model on the test set
y_pred = model.predict(X_test)

# Calculate performance metrics
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)

print("Accuracy:", accuracy)
print("Precision:", precision)
print("Recall:", recall)
print("F1-score:", f1)

from scipy.stats import multinomial

# Load text data
text_data = np.loadtxt('text_data.csv', delimiter=',', dtype=str)

# Split text data into features (words) and target variable (sentiment)
features = [text.split() for text in text_data[:, :-1]]
sentiment = text_data[:, -1]  # Sentiment (positive, negative, neutral)

# Create a vocabulary of unique words
vocabulary = set([word for text in features for word in text])

# Convert features to bag-of-words representation
bag_of_words = []
for text in features:
    feature_vector = [1 if word in text else 0 for word in vocabulary]
    bag_of_words.append(feature_vector)

# Train the Naive Bayes model
model = multinomial()
model.fit(bag_of_words, sentiment)

# Classify new text
new_text = "This product is amazing!"
new_text_features = [new_text.split()]
new_bag_of_words = [1 if word in new_text_features[0] else 0 for word in vocabulary]
predicted_sentiment = model.predict(new_bag_of_words)[0]
print("Predicted sentiment:", predicted_sentiment)

from statsmodels.tsa.arima_model import ARIMA

# Load demand data
demand_data = np.loadtxt('demand_data.csv')

# Fit the ARIMA model
model = ARIMA(demand_data, order=(1, 1, 1))
model_fit = model.fit()

# Forecast future demand
forecast = model_fit.forecast(steps=10)[0]
print("Forecasted demand:", forecast)