دسته‌بندی چندکلاسهٔ گل‌ها

هدف و راهنمای انجام

شناخت classification، ویژگی‌ها، برچسب‌ها و macro-F1

ورودی

request.json شامل train، test، features و target=species است.

خروجی

result.json با برچسب پیش‌بینی‌شدهٔ هر سطر test.

1. ویژگی‌ها را مقیاس‌بندی کن و داده را فقط با train آموزش بده.
2. یک KNN یا دسته‌بند فاصله‌ای بساز.
3. پیش‌بینی هر سه گونه را تولید کن و نتیجه را ذخیره کن.
4. accuracy و macro-F1 را روی test گزارش کن.

برای مقایسهٔ منصفانه، معیار هر کلاس را جداگانه بررسی کن.

مثال ورودی و خروجی

{
    "input": {
        "train": "سطرهای Iris با species",
        "test": "سطرهای بدون species"
    },
    "output": "predictions"
}

معیارهای موفقیت

• هر prediction یکی از برچسب‌های train است
• macro-F1 حداقل ۰٫۸۵ است
• اطلاعات test وارد آموزش نمی‌شود

کتابخانه‌ها: pandas, numpy