المنهج الدراسي الدرس 88 من 250 · نماذج تعلم الآلة الأولى الخاصة بك
نماذج تعلم الآلة الأولى الخاصة بك

نموذجك الأول: شجرة القرار

حان الوقت لتدريب شيء ما بالفعل. يتعلم decision tree classifier مخططاً بيانياً من أسئلة نعم/لا حول الميزات، وكل ورقة في المخطط هي تسمية متوقعة. إنه نموذج أول رائع لأنه سهل التخيل: فهو يستمر في طرح أسئلة مثل "هل الميزة 1 أكبر من 5؟" حتى يتمكن من اتخاذ القرار.

يتبع الكود طقوس fit/predict من الدرس الأول:

from sklearn.tree import DecisionTreeClassifier

clf = DecisionTreeClassifier(random_state=0)
clf.fit(X, y)               # learn the questions
clf.predict(X_new)          # classify new rows
نمرر

random_state=0 من أجل قابلية إعادة الإنتاج. أثناء بناء كل تقسيم، يقوم scikit-learn بتبديل الميزات التي يدرسها عشوائيا، لذا يمكن لمرتين تشغيل بدون بذور اختيار تقسيمات مختلفة (جيدة بنفس القدر) وتنمية أشجار مختلفة قليلاً. تثبيت البذرة يثبت ذلك الاختيار لكي تحصل على نفس الشجرة في كل مرة.

ستتدرب على مجموعة بيانات صغيرة ونظيفة. يحتوي كل صف على ميزتين. يكون الملصق 0 عندما تكون كلتا الميزتين صغيرتين و 1 عندما تكون كلتاهما كبيرتين، مع وجود فجوة واضحة بينهما:

X = [[1,1],[2,1],[1,2],[2,2],   # all label 0 (low/low)
     [8,8],[9,8],[8,9],[9,9]]   # all label 1 (high/high)

بما أن المجموعتين منفصلتان تماما، يمكن للشجرة تعلم قاعدة تجيب بشكل صحيح على كل صف من بيانات التدريب. لن يحدث هذا دائما مع البيانات الحقيقية غير المنظمة، والدروس القادمة تدور كلها حول ما يجب فعله عندما لا يحدث ذلك. لكن هذا يجعل التشغيل الأول نظيفا.

ملاحظة واحدة حول عالم الذكاء الاصطناعي الأوسع: الأدوات الثقيلة مثل TensorFlow و PyTorch لا يمكن تشغيلها في لغة Python داخل المتصفح هذه، لذا يلتزم هذا المساق بـ scikit-learn، وهو كافٍ لتعلم الأفكار الحقيقية.

دورك

تم إعطاء الميزات X (8 صفوف، عمودان) والتسميات y. أنشئ DecisionTreeClassifier(random_state=0) باسم clf، وقم بتدريبه على X و y، ثم قم بالتنبؤ على X وخزن النتيجة في preds. قم أيضاً بالتنبؤ بالنقطة الجديدة الواحدة [[9, 9]] وخزن تلك التسمية الواحدة فقط (نوع int) في new_pred.

هل لاحظت مشكلة في هذا الدرس؟ أبلغ عنها · اسأل عن هذا الدرس

سيفتح هذا التمرين قريبا

أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.