تقسيم بيانات التدريب والاختبار: قياس صادق
هذه هي العادة الأكثر أهمية في تعلم الآلة. إذا قمت بتدريب model ثم اختبرته على نفس البيانات، فلن تتعلم أي شيء مفيد. يمكن لـ model أن يحقق نتيجة مثالية فقط عن طريق حفظ الإجابات التي رآها بالفعل. هذا يشبه تقييم طالب على الأسئلة نفسها التي درسها: إنه يقيس الذاكرة وليس الفهم.
الحل هو حجز بعض البيانات. أنت train على معظمها، ثم test على الصفوف التي لم يرها النموذج من قبل. أداء الاختبار هو تقديرك الصادق لكيفية أدائه على بيانات حقيقية مستقبلية.
scikit-learn توفر لك دالة واحدة لهذا:
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=0
)تعيد أربع قطع، دائما بنفس هذا الترتيب: train features، وtest features، وtrain labels، وtest labels. هناك وسيطان مهمان:
- تحتفظ
test_size=0.2بنسبة 20 بالمئة للاختبار وتحتفظ بنسبة 80 بالمئة للتدريب. يقوم random_state=0بتثبيت shuffle لكي تحصل على same في كل تشغيل. بدون ذلك يكون split عشوائيا في كل مرة، وستتذبذب نتائجك ولا يمكن التحقق منها. في هذا الكورس كاملا، مرر دائماrandom_state=0.
من الآن فصاعدا قاعدة صارمة: يمكنك التدريب على مجموعة التدريب، ولكن يجب عليك فقط grade على مجموعة الاختبار. لا تذكر أبدا درجة من بيانات تدرب عليها النموذج.
تم إعطاء المصفوفات X (10 صفوف، عمودان) و y (10 تسميات). استخدم train_test_split مع test_size=0.2 و random_state=0 للحصول على X_train, X_test, y_train, y_test. ثم قم بتعيين n_train لعدد صفوف التدريب و n_test لعدد صفوف الاختبار.
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.