%%(wacko)

%%(hl Python)

%%(hl php)

%%(hl Python)
import numpy as np
class SimpleSplitLineClassifier():
    _estimator_type = "classifier"
    def __init__(self):  # У нашего классификатора пока нет параметров
        pass
    def fit(self, X, y):  # Команда для обучения классификатора
        # Делаем проверки
        if len(X.shape) != 2:
            raise ValueError("Массив X должен быть
двумерным")
        if len(y.shape) != 1:
            raise ValueError("Массив y должен быть
одномерным")
        self.classes_ = sorted(set(y))  # Упорядочиваем классы для
ответов
        if len(self.classes_) != 2:
            raise ValueError("Массив y должен состоять ровно из
двух различных значений")
        if X.shape[0] != y.shape[0]:
            raise ValueError("В массиве X должно быть столько
строк, сколько в массиве y элементов")
        # Сохраняем данные, на которых мы обучались в своих атрибутах
        self.X_ = X
        self.y_ = y
        # Находим разделяющую прямую ax+by+c=0.
        # Для классификации мы будем подставлять точку (x,y) в
уравнение этой прямой,
        # если полученное значение больше или равно нулю, то
классифицируем в self.classes_[0], иначе - в self.classes_[1]
        self.a, self.b, self.c = 0, 0, 0  # Вы ведь уже научились
находить эту прямую?
        return self
    def predict(self, X):
        # Проверяем, что форма массива X для предсказания правильная
        if len(X.shape) != 2:
            raise ValueError("Массив X должен быть
двумерным")
        if X.shape[1] != self.X_.shape[1]:
            raise ValueError("В массиве X должно быть столько же
столбцов, сколько в массиве, на котором производилось обучение")
        # Классифицируем
        predictions = np.zeros(len(X))  # Вы ведь уже научились
определять ирисы?
        return predictions
    # Две вспомогательные функции на будущее
    def get_params(self, deep=True):  # Получить текущие параметры
классификатора (у нас их нет)
        return dict()
    def set_params(self, **parameters):  # Установить параметры
классификатора
        for parameter, value in parameters.items():
            self.setattr(parameter, value)
        return self
# Создаём классификатор
clf = SimpleSplitLineClassifier()
# Обучаем его
clf.fit(np.array( [ [1, 0], [1, 1], [-1, 0], [-1, 1] ] ), np.array([0,
0, 1, 1]))
# Предсказываем 
print(clf.predict(np.array( [ [1, 0], [2, 0] ] )))
class KFold:
    def __init__(self, n_splits=5, random_state=None):
        self.n_splits = n_splits
        self.random_state = random_state
    def split(self, X, y=None):
        if self.random_state is not None:
            np.random.seed(self.random_state)
        ...
        return ...
def accuracy_score(clf, X, y):
    prediction = clf.predict(X)
    accuracy = ...
    return accuracy
def cross_val_score(estimator, X, y, scoring, cv):
    ...
    return ...
cv_folder = KFold(n_splits=3, random_state=179)
print(cross_val_score(estimator=clf, X=x_train, y=y_train,
scoring=accuracy_score, cv=cv_folder))
>> [0.75 0.83 0.81]
%%

##>> [0.75 0.83 0.81]##

##print(clf.predict(np.array( [ [1, 0], [2, 0] ] )))##

##clf.fit(np.array( [ [1, 0], [1, 1], [-1, 0], [-1, 1] ] ),
np.array([0, 0, 1, 1]))##

##class KFold:##
    ##def __init__(self, n_splits=5, random_state=None):##
        ##self.n_splits = n_splits##
        ##self.random_state = random_state##
    ##def split(self, X, y=None):##
        ##if self.random_state is not None:##
            ##np.random.seed(self.random_state)##
        ##...##
        ##return ...##
##def accuracy_score(clf, X, y):##
    ##prediction = clf.predict(X)##
    ##accuracy = ...##
    ##return accuracy##
##def cross_val_score(estimator, X, y, scoring, cv):##
    ##...##
    ##return ...##
##cv_folder = KFold(n_splits=3, random_state=179)##
##print(cross_val_score(estimator=clf, X=x_train, y=y_train,
scoring=accuracy_score, cv=cv_folder))##
##>> [0.75 0.83 0.81]

  12. Теперь можно пытаться разделять виды versicolor и virginica.
Здесь множества не разделяются, поэтому нужно придумать какой-нибудь
штраф за нахождение не в той полуплоскости и каким-нибудь образом
находить прямую с минимальным штрафов. Проверьте качество вашей
классификации при помощи уже реализованной кросс-валидации.
  13. Весь набор тестер-фолдер-валидатор очень удобно использовать для
проверки качества реализованного классификатора. Он пригодится и в
следующей задаче, поэтому после того, как всё заработает, причешите
код. Сделайте его красивым и удобным.