নিচে একটি Classification প্রজেক্ট তৈরি করার ধাপে ধাপে প্রক্রিয়া দেওয়া হলো, যেখানে আমরা CatBoost ব্যবহার করব। আমরা একটি সাধারণ ডেটাসেট ব্যবহার করে একটি ক্লাসিফিকেশন মডেল তৈরি করব এবং এর কার্যকারিতা মূল্যায়ন করব।

প্রজেক্টের উদ্দেশ্য

আমরা একটি ডেটাসেট ব্যবহার করব (যেমন Iris ডেটাসেট) এবং CatBoostClassifier ব্যবহার করে একটি ক্লাসিফিকেশন মডেল তৈরি করব। প্রজেক্টের প্রধান উদ্দেশ্য হল বিভিন্ন ফুলের প্রজাতির শ্রেণীবিভাগ করা।

পদক্ষেপ ১: লাইব্রেরি ইনস্টলেশন

প্রথমেই নিশ্চিত করুন যে আপনার সিস্টেমে CatBoost, Pandas এবং Scikit-Learn ইনস্টল করা আছে। যদি ইনস্টল না করে থাকেন, তাহলে নিচের কমান্ড ব্যবহার করুন:

pip install catboost pandas scikit-learn

পদক্ষেপ ২: ডেটাসেট লোড করা

আমরা Iris ডেটাসেট ব্যবহার করব, যা সাধারণত ক্লাসিফিকেশন কাজের জন্য ব্যবহৃত হয়।

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# Iris ডেটাসেট লোড করা
iris = load_iris()
X = iris.data
y = iris.target

# ডেটা ফ্রেমে রূপান্তর করা
df = pd.DataFrame(data=X, columns=iris.feature_names)
df['target'] = y

# ডেটা ভাগ করা: 80% ট্রেনিং এবং 20% টেস্টিং
X_train, X_test, y_train, y_test = train_test_split(df[iris.feature_names], df['target'], test_size=0.2, random_state=42)

print("Training set size:", X_train.shape)
print("Testing set size:", X_test.shape)

পদক্ষেপ ৩: CatBoostClassifier তৈরি ও প্রশিক্ষণ

from catboost import CatBoostClassifier

# CatBoostClassifier মডেল তৈরি করা
model = CatBoostClassifier(iterations=100, learning_rate=0.1, depth=4, verbose=0)

# মডেল প্রশিক্ষণ
model.fit(X_train, y_train)

পদক্ষেপ ৪: পূর্বাভাস করা এবং ফলাফল মূল্যায়ন

from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

# পূর্বাভাস করা
predictions = model.predict(X_test)

# সঠিকতা মূল্যায়ন
accuracy = accuracy_score(y_test, predictions)
print(f"\nAccuracy: {accuracy * 100:.2f}%")

# বিভ্রান্তি ম্যাট্রিক্স
conf_matrix = confusion_matrix(y_test, predictions)
print("\nConfusion Matrix:")
print(conf_matrix)

# শ্রেণীবিভাগ প্রতিবেদন
class_report = classification_report(y_test, predictions)
print("\nClassification Report:")
print(class_report)

উপসংহার

এই প্রজেক্টে, আমরা CatBoost ব্যবহার করে Iris ডেটাসেটে ক্লাসিফিকেশন মডেল তৈরি করেছি। আমরা মডেলটি প্রশিক্ষণ দিয়েছি এবং টেস্ট সেটের উপর পূর্বাভাস নিয়ে তার কার্যকারিতা মূল্যায়ন করেছি। CatBoost-এর সহজ ব্যবহার এবং কার্যকরী ফলাফলের কারণে এটি মেশিন লার্নিং প্রকল্পগুলিতে একটি জনপ্রিয় পছন্দ।

এখন আপনি এই প্রক্রিয়ার সাহায্যে আপনার নিজস্ব ডেটাসেটে CatBoost ব্যবহার করে ক্লাসিফিকেশন মডেল তৈরি করতে পারেন।