النموذج الذهني لتعلم الآلة
تعلم الآلة يبدو غامضا، لكن الفكرة الأساسية بسيطة: بدلا من كتابة القواعد بنفسك، تعرض على البرنامج الكثير من الأمثلة وتتركه يجد القواعد. كل شيء تقريبا في هذه الوحدة يعتمد على ثلاث أفكار.
الميزات والتسميات
يتم تقسيم المثال إلى جزئين.الميزات هي ما تعرفه مسبقا (حجم المنزل، عدد غرف النوم). التسمية هي ما تريد التنبؤ به (سعره). وفقا للتقليد الطويل، تسمى الميزات X (جدول، حرف كبير) وتسمى التسمية y (عمود واحد، حرف صغير).
X (features) y (label)
size_sqft bedrooms price_k
650 1 220
800 2 265
1200 3 410التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف
- Supervised learning يحتوي على تسميات. أنت تعرف الإجابة الصحيحة لكل مثال تدريب، لذا يتعلم النموذج ربط
Xبـy. التنبؤ بالسعر، أو فرز البريد الإلكتروني إلى بريد مزعج أو غير مزعج، هي مهام تعلم تحت الإشراف. - Unsupervised التعلم لا يحتوي على تسميات. لديك فقط
Xوتطلب من النموذج إيجاد هيكل، مثل تجميع العملاء المتشابهين. هذه الوحدة بالكامل هي supervised.
نمط fit / predict
كل نموذج في scikit-learn يستخدم نفس الفعلين. سترى هذا الشكل مرارا وتكرارا:
model = SomeModel()
model.fit(X, y) # learn from examples
model.predict(X_new) # guess labels for new rowsهذا هو الطقس الكامل. الجزء الصعب ليس الـ API أبدا، بل هو اختيار الميزات الجيدة وقياس مدى أداء النموذج بصدق، وهو ما يركز عليه باقي هذا النموذج التعليمي.
في هذا التمرين لن تقوم بتدريب أي شيء بعد. ستقوم فقط بالخطوة الأولى غير البراقة ولكنها أساسية وهي أخذ جدول صغير وتقسيمه إلى X و y.
يتم إعطاء DataFrame صغير للسكن df مع الأعمدة size_sqft و bedrooms و price_k. قم بتعيين feature_cols = ["size_sqft", "bedrooms"]، وأنشئ X = df[feature_cols] (عمودي الإدخال فقط) و y = df["price_k"] (التسمية). ثم قم بتعيين n_features إلى عدد أعمدة الميزات و n_samples إلى عدد الصفوف.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.