Lehrplan Lektion 97 von 250 · Deine ersten Machine Learning Modelle
Deine ersten Machine Learning Modelle

Projekt: Blumen von Anfang bis Ende klassifizieren

Zeit, die gesamte Pipeline selbst zusammenzusetzen, ohne Gerüst. Dies ist der exakte Workflow, den du bei einem echten Problem verwenden würdest.

Du erhältst einen kleinen Datensatz mit iris-ähnlichen Blumen als DataFrame namens data. Jede Zeile hat zwei Merkmale, petal_len und petal_wid, und ein Label species, das 0, 1 oder 2 für drei Blumenarten ist. Die drei Arten haben deutlich unterschiedliche Blütenblattgrößen, also sollte ein gutes Modell sie gut trennen.

Deine Aufgabe ist die vollständige Sequenz, die du gelernt hast, in der richtigen Reihenfolge:

  • Split Merkmale und Label in X und y.
  • Halte einen Testdatensatz mit train_test_split.
  • Train ein Modell auf dem Trainingsset.
  • Predict auf dem Testset.
  • Evaluate mit Genauigkeit auf diesem Testset.

Zwei Details für einen sauberen, reproduzierbaren Durchlauf. Gib random_state=0 überall dort an, wo Zufall auftritt (die Aufteilung und das Modell). Und gib stratify=y an train_test_split weiter, damit der Testdatensatz die gleiche Mischung der drei Arten beibehält, anstatt zum Beispiel eine Art zufällig wegzulassen, was wichtig ist, wenn jede Klasse klein ist.

Dies ist dieselbe Schleife, nur skaliert, die hinter Spam-Filtern, medizinischen Bildschirmen und Empfehlungssystemen läuft. Das Modell hier ist klein und die Daten sind freundlich, aber die Form der Arbeit ist genau real.

Du bist dran

Verwende den gegebenen DataFrame data: Setze X = data[["petal_len", "petal_wid"]] und y = data["species"]. Teile mit train_test_split(X, y, test_size=0.25, random_state=0, stratify=y) in X_train, X_test, y_train, y_test auf. Trainiere eine RandomForestClassifier(n_estimators=50, random_state=0) namens model auf dem Trainingsset, prädiziere auf X_test in predictions und setze acc = accuracy_score(y_test, predictions).

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.