এখানে একটি Logistic Regression মডেলের বাস্তব উদাহরণ এবং প্রজেক্ট ডেমো দেখানো হবে। আমরা Iris Dataset ব্যবহার করে Multiclass Classification এর মাধ্যমে কিভাবে Logistic Regression মডেল তৈরি করা এবং প্রেডিকশন করা যায়, তা দেখবো। এই প্রজেক্টটি একটি ক্লাসিফিকেশন সমস্যা যেখানে ৩টি শ্রেণী (Setosa, Versicolour, Virginica) চিহ্নিত করতে হবে।
প্রজেক্ট: Iris Dataset এর মাধ্যমে Multiclass Classification
ধাপ ১: প্রয়োজনীয় লাইব্রেরি ইনস্টল করা
প্রথমে, মডেল ট্রেনিং করার জন্য প্রয়োজনীয় লাইব্রেরি ইনস্টল করতে হবে। আপনি যদি লাইব্রেরিগুলি ইনস্টল না করে থাকেন, তবে এটি টার্মিনালে বা কমান্ড প্রম্পটে চালান:
pip install scikit-learn pandas matplotlib
ধাপ ২: Iris Dataset লোড করা এবং প্রাথমিক বিশ্লেষণ
Iris ডেটাসেট একটি সাধারণ ডেটাসেট যা মডেল ট্রেনিংয়ের জন্য ব্যবহৃত হয়। এই ডেটাসেটে ৩টি শ্রেণী রয়েছে: Setosa, Versicolour, এবং Virginica।
import pandas as pd
from sklearn.datasets import load_iris
# Iris ডেটাসেট লোড করা
data = load_iris()
X = data.data # ফিচারস
y = data.target # টার্গেট ক্লাস
# DataFrame তৈরি করা
df = pd.DataFrame(X, columns=data.feature_names)
df['species'] = pd.Categorical.from_codes(y, data.target_names)
# ডেটার প্রথম ৫টি সারি দেখানো
print(df.head())
ধাপ ৩: ডেটাকে ট্রেনিং এবং টেস্ট সেটে ভাগ করা
from sklearn.model_selection import train_test_split
# ডেটাকে ট্রেনিং এবং টেস্ট সেটে ভাগ করা
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print(f"Training data size: {X_train.shape}")
print(f"Test data size: {X_test.shape}")
ধাপ ৪: Logistic Regression মডেল তৈরি এবং প্রশিক্ষণ
এখন Logistic Regression মডেল তৈরি করা হবে এবং ট্রেনিং ডেটা দিয়ে প্রশিক্ষিত করা হবে।
from sklearn.linear_model import LogisticRegression
# Logistic Regression মডেল তৈরি করা
model = LogisticRegression(max_iter=200)
# মডেল ট্রেনিং
model.fit(X_train, y_train)
ধাপ ৫: মডেলের পারফরম্যান্স মূল্যায়ন
মডেলটি প্রশিক্ষণ শেষ হওয়ার পর, টেস্ট ডেটা দিয়ে প্রেডিকশন করা হবে এবং সঠিকতা (accuracy) পরিমাপ করা হবে।
from sklearn.metrics import accuracy_score, confusion_matrix
# টেস্ট ডেটাতে প্রেডিকশন করা
y_pred = model.predict(X_test)
# সঠিকতা (Accuracy) গণনা করা
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy * 100:.2f}%")
# Confusion Matrix তৈরি করা
cm = confusion_matrix(y_test, y_pred)
print("Confusion Matrix:")
print(cm)
ধাপ ৬: Confusion Matrix Visualization
Confusion matrixের একটি ভিজ্যুয়াল রিপ্রেজেন্টেশন তৈরি করতে আমরা seaborn বা matplotlib ব্যবহার করতে পারি।
import seaborn as sns
import matplotlib.pyplot as plt
# Confusion Matrix ভিজ্যুয়ালাইজ করা
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=data.target_names, yticklabels=data.target_names)
plt.xlabel('Predicted')
plt.ylabel('Actual')
plt.title('Confusion Matrix')
plt.show()
ধাপ ৭: Classification Report
Classification Report এর মাধ্যমে আমরা প্রতিটি শ্রেণীর জন্য Precision, Recall, এবং F1-score দেখতে পারব।
from sklearn.metrics import classification_report
# Classification Report
report = classification_report(y_test, y_pred, target_names=data.target_names)
print("Classification Report:")
print(report)
আউটপুট ব্যাখ্যা:
- Accuracy: টেস্ট ডেটাতে মডেলটির সঠিকতার হার। এটি মডেলের মোট সঠিক প্রেডিকশন সংখ্যা এবং মোট প্রেডিকশন সংখ্যা এর অনুপাত।
- Confusion Matrix: প্রকৃত শ্রেণী এবং প্রেডিক্টেড শ্রেণীর মধ্যে সম্পর্ক। এই ম্যাট্রিক্সের মাধ্যমে আপনি বুঝতে পারবেন কিসে সঠিকভাবে ক্লাসিফাই হয়েছে এবং কিসে ভুল হয়েছে।
- Classification Report: এই রিপোর্টে প্রতিটি শ্রেণীর জন্য precision, recall, F1-score এবং support প্রদান করা হয়।
ফলাফল উদাহরণ:
Accuracy: 100.00%
Confusion Matrix:
[[13 0 0]
[ 0 15 0]
[ 0 0 12]]
Classification Report:
precision recall f1-score support
setosa 1.00 1.00 1.00 13
versicolor 1.00 1.00 1.00 15
virginica 1.00 1.00 1.00 12
accuracy 1.00 40
macro avg 1.00 1.00 1.00 40
weighted avg 1.00 1.00 1.00 40
সারাংশ:
- Iris Dataset এর মাধ্যমে Multiclass Classification সমস্যা সমাধান করার জন্য Logistic Regression মডেল তৈরি করা হয়েছে।
- Confusion Matrix এবং Classification Report ব্যবহার করে মডেলটির পারফরম্যান্স বিশ্লেষণ করা হয়েছে।
- এই প্রক্রিয়ায় বিভিন্ন ক্লাসের জন্য precision, recall, এবং F1-score দেখানো হয়েছে, যা মডেলের কার্যকারিতা বুঝতে সহায়ক।
এই প্রকল্পটি Logistic Regression এর একটি বাস্তব উদাহরণ প্রদান করে, যেখানে Multiclass Classification সমস্যা সমাধান করা হয়েছে।
এখানে, আমরা একটি Binary Classification প্রজেক্ট তৈরি করব যেখানে আমরা Logistic Regression মডেল ব্যবহার করে Iris Dataset এর উপর কাজ করব। এই প্রজেক্টে আমরা একটি ক্লাসিফিকেশন টাস্ক সল্ভ করব, যেখানে দুটি শ্রেণী নির্ধারণ করা হবে (যেমন: Setosa এবং Non-Setosa)। আমরা Logistic Regression মডেল ট্রেনিং করব, মডেলটির পারফরম্যান্স মূল্যায়ন করব এবং প্রেডিকশন তৈরি করব।
1. ডেটাসেট লোড এবং প্রিপ্রসেসিং
প্রথমে আমরা Iris Dataset ব্যবহার করব, যেটি একটি জনপ্রিয় ডেটাসেট। এটি ৩টি শ্রেণীর ফুলের বৈশিষ্ট্য দেয় (Setosa, Versicolour, Virginica)। তবে আমরা এখানে Binary Classification করব এবং শুধুমাত্র Setosa এবং Non-Setosa শ্রেণী নিয়ে কাজ করব।
# প্রয়োজনীয় লাইব্রেরি ইমপোর্ট
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix
# Iris ডেটাসেট লোড করা
data = load_iris()
X = data.data # ফিচারস
y = data.target # টার্গেট বা লেবেল
# Binary Classification: Setosa (0) এবং Non-Setosa (1) শ্রেণী তৈরি করা
y_binary = (y == 0).astype(int) # Setosa এর জন্য 1, অন্য শ্রেণীর জন্য 0
# ডেটাকে ট্রেনিং এবং টেস্ট সেটে ভাগ করা
X_train, X_test, y_train, y_test = train_test_split(X, y_binary, test_size=0.2, random_state=42)
2. Logistic Regression মডেল ট্রেনিং
এখন, Logistic Regression মডেল তৈরি এবং ট্রেনিং করতে হবে।
# Logistic Regression মডেল তৈরি করা
model = LogisticRegression(max_iter=200)
# মডেল ট্রেনিং
model.fit(X_train, y_train)
3. মডেল মূল্যায়ন (Evaluation)
মডেলটি ট্রেনিং শেষ হওয়ার পর, আমরা accuracy এবং confusion matrix ব্যবহার করে এর পারফরম্যান্স মূল্যায়ন করব।
# টেস্ট ডেটার উপর প্রেডিকশন করা
y_pred = model.predict(X_test)
# Accuracy মূল্যায়ন
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy * 100:.2f}%")
# Confusion Matrix
cm = confusion_matrix(y_test, y_pred)
print("\nConfusion Matrix:")
print(cm)
4. প্রেডিকশন তৈরি করা
এখন, আমরা মডেলটি ব্যবহার করে কিছু নতুন ডেটার জন্য প্রেডিকশন তৈরি করব।
# নতুন ডেটার জন্য প্রেডিকশন করা
new_data = [[5.1, 3.5, 1.4, 0.2]] # একটি নতুন ফুলের সাইজ
prediction = model.predict(new_data)
# প্রেডিকশন ফলাফল
print(f"Prediction (Setosa = 1, Non-Setosa = 0): {prediction[0]}")
5. ফলাফল বিশ্লেষণ
এখানে, আমরা মডেলটির পারফরম্যান্স বিশ্লেষণ করতে পারি, যেমন accuracy, confusion matrix এবং ফলাফল।
- Accuracy: মডেল কতটা সঠিকভাবে প্রেডিকশন করেছে তার শতাংশ দেখাবে।
- Confusion Matrix: সঠিক এবং ভুল প্রেডিকশনগুলির সংখ্যা দেখাবে। এর মাধ্যমে আমরা দেখতে পাব যে, কতটি Setosa এবং Non-Setosa শ্রেণী সঠিকভাবে প্রেডিক্ট করা হয়েছে এবং কতটি ভুল হয়েছে।
উদাহরণ আউটপুট:
Accuracy: 96.67%
Confusion Matrix:
[[13 0]
[ 1 16]]
Prediction (Setosa = 1, Non-Setosa = 0): 0
সারাংশ:
- Logistic Regression দিয়ে Binary Classification মডেল তৈরি করার জন্য প্রথমে ডেটা লোড করে সেটি প্রিপ্রসেস করতে হয়।
- এরপর Logistic Regression মডেল তৈরি করে, ট্রেনিং ডেটার উপর মডেলটি শিখানো হয়।
- শেষে, মডেলের পারফরম্যান্স accuracy, confusion matrix এবং prediction এর মাধ্যমে মূল্যায়ন করা হয়।
- আমরা এখানে Setosa এবং Non-Setosa শ্রেণী ভিত্তিক একটি Binary Classification প্রজেক্ট তৈরি করেছি।
এই প্রজেক্টটি সহজ এবং প্রাথমিক পর্যায়ের ব্যবহারকারীদের জন্য একটি ভাল উদাহরণ হতে পারে, যাতে তারা Logistic Regression এবং Binary Classification এর ধারণা সহজে বুঝতে পারে।
Multiclass classification হল এমন একটি ক্লাসিফিকেশন সমস্যা যেখানে আউটপুট বা টার্গেট ভ্যারিয়েবলটির একাধিক শ্রেণী থাকে (দ্বৈত শ্রেণী বা binary classification এর বিপরীতে)। এখানে লক্ষ্য থাকে একটি নির্দিষ্ট ইনপুট ডেটাকে একাধিক শ্রেণী বা ক্যাটেগরিতে শ্রেণীভুক্ত করা।
একটি জনপ্রিয় উদাহরণ হল হাতের লেখা অক্ষর সনাক্তকরণ, যেখানে ইনপুট হিসেবে হাতের লেখা অক্ষর দেওয়া হয় এবং আউটপুট হিসেবে এটি কোন একটি অক্ষর (A, B, C, ... Z) তা চিহ্নিত করা হয়।
উদাহরণ: Iris Dataset
Iris Dataset হল একটি জনপ্রিয় multiclass classification সমস্যা যেখানে তিনটি প্রজাতির (Setosa, Versicolor, Virginica) ফুলের পেটাল এবং সেপাল সাইজের উপর ভিত্তি করে ফুলের প্রজাতি চিহ্নিত করা হয়।
- ফিচার:
sepal length,sepal width,petal length,petal width - ট্যাগ: ৩টি শ্রেণী —
Setosa,Versicolor,Virginica
1. ডেটাসেট লোড করা
from sklearn.datasets import load_iris
import pandas as pd
# Iris ডেটাসেট লোড করা
data = load_iris()
# ডেটাসেটটি pandas DataFrame এ রূপান্তর
df = pd.DataFrame(data.data, columns=data.feature_names)
df['species'] = data.target
# প্রথম ৫টি রেকর্ড প্রিন্ট করা
print(df.head())
এখানে, data.data হল ফিচারগুলোর ভ্যালু এবং data.target হল টার্গেট বা শ্রেণী।
2. মডেল ট্রেনিং (Multiclass Classification Model)
এখন আমরা একটি Logistic Regression মডেল ব্যবহার করে multiclass classification করব। sklearn-এর LogisticRegression মডেলটি বাইনারি এবং মাল্টিক্লাস উভয়ই সমর্থন করে।
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# ইনপুট (features) এবং আউটপুট (target) নির্ধারণ
X = df.drop('species', axis=1)
y = df['species']
# ডেটাকে ট্রেনিং এবং টেস্ট সেটে ভাগ করা
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# মডেল তৈরি এবং ট্রেনিং
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)
# প্রেডিকশন করা
y_pred = model.predict(X_test)
# মডেলের সঠিকতা (accuracy) চেক করা
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy * 100}%")
এখানে আমরা:
- Logistic Regression মডেল ব্যবহার করেছি।
- ডেটাকে ৭০% ট্রেনিং এবং ৩০% টেস্ট সেটে ভাগ করেছি।
- মডেল ট্রেনিং করার পর, টেস্ট ডেটাতে প্রেডিকশন করেছি এবং accuracy মাপছি।
3. মডেল ফলাফল বিশ্লেষণ (Confusion Matrix)
Confusion Matrix এর মাধ্যমে মডেলের পারফরম্যান্স আরো বিস্তারিতভাবে বিশ্লেষণ করা যায়:
from sklearn.metrics import confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt
# Confusion Matrix হিসাব করা
cm = confusion_matrix(y_test, y_pred)
# Heatmap এর মাধ্যমে কনফিউশন ম্যাট্রিক্স প্লট করা
sns.heatmap(cm, annot=True, fmt="d", cmap="Blues", xticklabels=data.target_names, yticklabels=data.target_names)
plt.xlabel('Predicted')
plt.ylabel('True')
plt.title('Confusion Matrix')
plt.show()
এখানে আমরা Seaborn এবং Matplotlib ব্যবহার করে Confusion Matrix এর একটি heatmap তৈরি করেছি, যা আমাদের মডেলের প্রতি শ্রেণীর পারফরম্যান্স বিশ্লেষণ করতে সাহায্য করবে।
সারাংশ:
- Multiclass classification সমস্যায় আমাদের লক্ষ্য থাকে একাধিক শ্রেণী থেকে একটি শ্রেণী চিহ্নিত করা।
- Iris Dataset হল একটি জনপ্রিয় উদাহরণ যেখানে তিনটি প্রজাতির ফুল চিহ্নিত করা হয়।
- Logistic Regression ব্যবহার করে আমরা multiclass classification সমাধান করতে পারি, যেখানে প্রশিক্ষণ ডেটা থেকে মডেল শিখে, নতুন ডেটার জন্য শ্রেণী প্রেডিক্ট করা হয়।
- Confusion Matrix ব্যবহার করে মডেলের সঠিকতা বিশ্লেষণ করা যায়।
Hyperparameter Tuning এবং Model Optimization হল মেশিন লার্নিং মডেলের সঠিকতা, কার্যকারিতা এবং সাধারণীকরণ ক্ষমতা উন্নত করার জন্য ব্যবহৃত দুটি গুরুত্বপূর্ণ প্রক্রিয়া। এগুলি মডেলের কর্মক্ষমতা উন্নত করতে এবং overfitting বা underfitting প্রতিরোধ করতে সাহায্য করে।
1. Hyperparameters কি?
Hyperparameters হল এমন প্যারামিটারগুলি যা মডেলটিকে প্রশিক্ষণের আগে সেট করা হয় এবং মডেল ট্রেনিং প্রক্রিয়ার বাইরে থাকে। এগুলি মডেলের আচরণ এবং কার্যকারিতা নির্ধারণ করে। কিছু উদাহরণ হল:
- Learning Rate (গতি নির্ধারণকারী)
- Number of Trees (র্যান্ডম ফরেস্টে)
- Max Depth (ডিসিশন ট্রির জন্য)
- Batch Size (নিউরাল নেটওয়ার্কের জন্য)
- Number of Epochs (নিউরাল নেটওয়ার্কের জন্য)
উল্লেখযোগ্যভাবে, Hyperparameters মডেলটির আর্কিটেকচার বা ট্রেনিং প্রক্রিয়া সংশ্লিষ্ট, তবে মডেলের নিজস্ব parameters (যেমন: কোঅফিসিয়েন্ট বা বায়াস) এর মান নির্ধারণ করার জন্য প্রশিক্ষণ করা হয়।
2. Hyperparameter Tuning
Hyperparameter Tuning হল একটি প্রক্রিয়া যেখানে আমরা মডেলের পারফরম্যান্সের উন্নতির জন্য হাইপারপারামিটারগুলির মান খুঁজে বের করি। এটি সাধারণত বিভিন্ন হাইপারপারামিটার মানের কম্বিনেশন ট্রাই করে এবং সেরা ফলাফল প্রদানকারী সেটটি নির্বাচন করা হয়।
Hyperparameter Tuning এর পদ্ধতিগুলি:
Grid Search:
- Grid Search হল একটি brute-force পদ্ধতি যেখানে আমরা প্রতিটি হাইপারপারামিটারের জন্য সম্ভাব্য মানগুলির একটি grid তৈরি করি এবং সেগুলোর প্রতিটি কম্বিনেশন ট্রাই করি।
- এটি scikit-learn এ খুব জনপ্রিয় এবং সহজভাবে ব্যবহারযোগ্য।
উদাহরণ:
from sklearn.model_selection import GridSearchCV from sklearn.ensemble import RandomForestClassifier # মডেল তৈরি model = RandomForestClassifier() # হাইপারপারামিটার সেট তৈরি param_grid = { 'n_estimators': [10, 50, 100], 'max_depth': [5, 10, 15], 'min_samples_split': [2, 5, 10] } # GridSearchCV grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=5) grid_search.fit(X_train, y_train) # সেরা প্যারামিটার এবং মডেল print("Best Parameters:", grid_search.best_params_) best_model = grid_search.best_estimator_Random Search:
- Random Search হল Grid Search এর তুলনায় একটি দ্রুত পদ্ধতি, যেখানে হাইপারপারামিটার স্পেস থেকে র্যান্ডমভাবে মান নির্বাচন করা হয়। এটি যখন বিশাল প্যারামিটার স্পেস থাকে তখন আরও কার্যকরী হতে পারে।
উদাহরণ:
from sklearn.model_selection import RandomizedSearchCV from sklearn.ensemble import RandomForestClassifier from scipy.stats import randint model = RandomForestClassifier() param_dist = { 'n_estimators': randint(10, 100), 'max_depth': randint(5, 15), 'min_samples_split': randint(2, 10) } random_search = RandomizedSearchCV(estimator=model, param_distributions=param_dist, n_iter=100, cv=5) random_search.fit(X_train, y_train) print("Best Parameters:", random_search.best_params_) best_model = random_search.best_estimator_- Bayesian Optimization:
- Bayesian Optimization হল একটি প্রকারের স্ট্যাটিস্টিক্যাল পদ্ধতি যা আগে থেকে জানা তথ্য ব্যবহার করে আরও বুদ্ধিমত্তার সাথে হাইপারপারামিটার স্পেস অনুসন্ধান করে। এটি Grid Search বা Random Search এর তুলনায় অধিক কার্যকরী হতে পারে, বিশেষ করে বড় স্পেসে।
- Automated Hyperparameter Tuning:
- কিছু লাইব্রেরি এবং টুলস যেমন Optuna, Hyperopt এবং TPOT স্বয়ংক্রিয়ভাবে হাইপারপারামিটার টিউনিং করতে সাহায্য করে। এগুলি স্বয়ংক্রিয়ভাবে হাইপারপারামিটার স্পেস স্ক্যান করে এবং সর্বোত্তম সেটগুলি খুঁজে বের করে।
3. Model Optimization
Model Optimization হল মডেলের কার্যকারিতা এবং দক্ষতা বৃদ্ধি করার প্রক্রিয়া। এটি শুধুমাত্র হাইপারপারামিটার টিউনিং সীমাবদ্ধ নয়, বরং বিভিন্ন পদ্ধতি এবং কৌশল ব্যবহার করে মডেলটি আরও কার্যকরী করার চেষ্টা।
Model Optimization এর পদ্ধতিগুলি:
- Feature Engineering:
- Feature Engineering হল এমন একটি প্রক্রিয়া যেখানে ডেটাতে নতুন ফিচার তৈরি করা হয় বা বিদ্যমান ফিচারগুলির সাথে কিছু প্রক্রিয়া করা হয়, যাতে মডেল আরও ভালো পারফরম্যান্স করতে পারে।
Cross-Validation:
- Cross-validation হল একটি কৌশল যেখানে ডেটাকে একাধিক ভাগে ভাগ করা হয় এবং মডেলটি বিভিন্ন অংশে প্রশিক্ষণ ও টেস্ট করা হয়। এটি মডেলের জেনারালাইজেশন ক্ষমতা বাড়ায় এবং overfitting কমাতে সহায়ক।
উদাহরণ:
from sklearn.model_selection import cross_val_score model = RandomForestClassifier() scores = cross_val_score(model, X, y, cv=5) print("Cross-validation scores:", scores)- Regularization:
- Regularization হ'ল একটি কৌশল যা মডেলের জটিলতা নিয়ন্ত্রণ করে এবং overfitting কমানোর জন্য ব্যবহৃত হয়। L1 (Lasso) এবং L2 (Ridge) Regularization হল জনপ্রিয় পদ্ধতি।
- Ensemble Methods:
- Ensemble Methods হল এমন পদ্ধতি যা একাধিক মডেল (যেমন Random Forest, Gradient Boosting, AdaBoost) এর আউটপুটকে একত্রিত করে। এটি একক মডেল থেকে ভালো ফলাফল দিতে সহায়ক হতে পারে এবং মডেলের পারফরম্যান্স বৃদ্ধি করতে পারে।
- Model Simplification:
- কখনও কখনও মডেল সরলীকরণ করতে হয়, যেমন খুব জটিল মডেল থেকে কম্প্লেক্সিটি কমানো। এটি মডেলটিকে অধিক সাধারণীকৃত করতে সাহায্য করতে পারে এবং ডেটার noise থেকে মুক্তি পেতে সহায়ক হতে পারে।
4. Evaluation Metrics for Optimization
Model Optimization এর অংশ হিসেবে, evaluation metrics যেমন accuracy, precision, recall, f1-score, ROC-AUC ইত্যাদি ব্যবহার করা হয় মডেলের কার্যকারিতা মূল্যায়ন করতে।
সারাংশ:
- Hyperparameter Tuning হল মডেলের সঠিক হাইপারপারামিটার সেট নির্বাচন করার প্রক্রিয়া, যা মডেলের পারফরম্যান্স উন্নত করে।
- Model Optimization হল মডেলকে আরও কার্যকর এবং দক্ষ করে তোলার প্রক্রিয়া, যাতে এটি নতুন ডেটাতে সঠিকভাবে পারফর্ম করতে পারে।
- Grid Search, Random Search, Bayesian Optimization ইত্যাদি হল Hyperparameter Tuning এর জনপ্রিয় পদ্ধতি।
- Feature Engineering, Cross-Validation, Regularization, Ensemble Methods, এবং Model Simplification মডেল অপটিমাইজেশনের প্রক্রিয়া।
এই দুটি প্রক্রিয়া মডেলটির পারফরম্যান্স এবং জেনারালাইজেশন ক্ষমতা বাড়াতে সাহায্য করে, যা বাস্তব জীবনের ডেটা সেটে মডেলের কার্যকারিতা উন্নত করে।
Flask হল একটি জনপ্রিয় Python ওয়েব ফ্রেমওয়ার্ক, যা আপনাকে ওয়েব অ্যাপ্লিকেশন তৈরি এবং ডেপ্লয় করার সুবিধা প্রদান করে। Flask এর সাহায্যে আমরা সহজেই একটি Logistic Regression মডেল ডেপ্লয় করতে পারি, যা ব্যবহারকারীদের ইনপুট ডেটার ভিত্তিতে পূর্বে প্রশিক্ষিত মডেল থেকে প্রেডিকশন প্রদান করবে। নিচে Flask দিয়ে Logistic Regression মডেল ডেপ্লয় করার একটি বিস্তারিত প্রক্রিয়া দেওয়া হল।
1. মডেল তৈরি এবং সেভ করা
প্রথমে, আপনি একটি Logistic Regression মডেল ট্রেনিং করবেন এবং সেটি .pkl বা .joblib ফাইল ফরম্যাটে সেভ করবেন, যাতে Flask অ্যাপ্লিকেশন ব্যবহার করে তা লোড করা যায়।
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
import joblib
from sklearn.datasets import load_iris
# ডেটা লোড করা
data = load_iris()
X = data.data
y = data.target
# ট্রেনিং এবং টেস্ট ডেটাতে ভাগ করা
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# মডেল ট্রেনিং
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)
# মডেল সেভ করা
joblib.dump(model, 'logistic_regression_model.pkl')
এখানে, আমরা Iris ডেটাসেট ব্যবহার করেছি এবং Logistic Regression মডেল ট্রেনিং করেছি। শেষে joblib.dump() দিয়ে মডেলটি সেভ করেছি।
2. Flask অ্যাপ্লিকেশন তৈরি করা
এবার Flask অ্যাপ্লিকেশন তৈরি করব, যেখানে আমরা HTTP রিকোয়েস্ট গ্রহণ করব, ইনপুট ডেটা নেব এবং সেভ করা মডেল দিয়ে প্রেডিকশন প্রদান করব।
প্রজেক্ট ফোল্ডার স্ট্রাকচার:
flask_logistic_regression/
│
├── app.py # Flask অ্যাপ্লিকেশন
├── logistic_regression_model.pkl # সেভ করা মডেল
└── templates/
└── index.html # HTML ফাইল (ইনপুট ফর্মের জন্য)
2.1. Flask অ্যাপ্লিকেশন কোড (app.py)
from flask import Flask, render_template, request
import joblib
import numpy as np
app = Flask(__name__)
# মডেল লোড করা
model = joblib.load('logistic_regression_model.pkl')
@app.route('/')
def home():
return render_template('index.html')
@app.route('/predict', methods=['POST'])
def predict():
if request.method == 'POST':
# ব্যবহারকারীর ইনপুট সংগ্রহ করা
feature1 = float(request.form['feature1'])
feature2 = float(request.form['feature2'])
feature3 = float(request.form['feature3'])
feature4 = float(request.form['feature4'])
# ইনপুট ডেটা প্রস্তুত করা
input_data = np.array([[feature1, feature2, feature3, feature4]])
# প্রেডিকশন করা
prediction = model.predict(input_data)
return render_template('index.html', prediction_text='Predicted Class: {}'.format(prediction[0]))
if __name__ == "__main__":
app.run(debug=True)
2.2. HTML ফাইল (index.html)
<!DOCTYPE html>
<html>
<head>
<title>Logistic Regression Prediction</title>
</head>
<body>
<h2>Logistic Regression Prediction</h2>
<form method="POST" action="/predict">
<label>Feature 1:</label>
<input type="text" name="feature1" required><br><br>
<label>Feature 2:</label>
<input type="text" name="feature2" required><br><br>
<label>Feature 3:</label>
<input type="text" name="feature3" required><br><br>
<label>Feature 4:</label>
<input type="text" name="feature4" required><br><br>
<button type="submit">Predict</button>
</form>
{% if prediction_text %}
<h3>{{ prediction_text }}</h3>
{% endif %}
</body>
</html>
- HTML ফর্ম: ব্যবহারকারী এখানে ফিচারের মান ইনপুট দিতে পারবেন।
- Flask Route:
/predictরুটে POST রিকোয়েস্ট গ্রহণ করে এবং মডেলের মাধ্যমে প্রেডিকশন প্রদান করে।
3. Flask অ্যাপ্লিকেশন চালানো
এখন, Flask অ্যাপ্লিকেশন চালানোর জন্য টার্মিনালে নিচের কমান্ডটি রান করুন:
python app.py
এটি আপনার অ্যাপ্লিকেশন লোকালহোস্টে চালু করবে। সাধারণত, আপনি এটি http://127.0.0.1:5000/ এ পাবেন।
4. মডেল ইনপুট এবং প্রেডিকশন
- আপনার ওয়েব ব্রাউজারে গিয়ে http://127.0.0.1:5000/ অ্যাপ্লিকেশনটি খুলুন।
- ফিচারগুলোর মান ইনপুট দিন এবং Predict বাটনে ক্লিক করুন।
- আপনার মডেল থেকে প্রাপ্ত প্রেডিকশন (ক্লাস) HTML পেজে প্রদর্শিত হবে।
সারাংশ
- Flask দিয়ে Logistic Regression মডেল ডেপ্লয়মেন্ট করতে, প্রথমে মডেলটি ট্রেনিং এবং সেভ করতে হয়।
- এরপর Flask অ্যাপ্লিকেশন তৈরি করে, যেখানে HTTP POST রিকোয়েস্টের মাধ্যমে ব্যবহারকারীর ইনপুট গ্রহণ করা হয় এবং মডেল দিয়ে প্রেডিকশন প্রদানের জন্য রেসপন্স প্রদান করা হয়।
- এই পদ্ধতিতে আপনি সহজেই ওয়েব অ্যাপ্লিকেশন তৈরি করতে পারেন, যা মডেলটি ব্যবহার করে প্রেডিকশন করতে সক্ষম।
Read more
