Dein erstes Modell: ein Decision Tree
Zeit, etwas zu trainieren. Ein decision tree classifier lernt einen Flussplan aus Ja/Nein Fragen über die features, und jedes Blatt des Flussplans ist ein vorhergesagtes label. Es ist ein tolles erstes Modell, weil es leicht vorstellbar ist: es stellt einfach Fragen wie "ist feature 1 größer als 5?" bis es entscheiden kann.
Der Code folgt dem fit/predict Ritual aus Lektion eins:
from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(random_state=0)
clf.fit(X, y) # learn the questions
clf.predict(X_new) # classify new rowsWir übergeben random_state=0 für die Reproduzierbarkeit. Da scikit-learn bei jedem Split die betrachteten Features zufällig permutiert, können zwei Läufe ohne Seed unterschiedliche (ebenso gute) Splits wählen und leicht unterschiedliche Bäume erstellen. Das Fixieren des Seeds fixiert diese Wahl, sodass du jedes Mal den gleichen Baum erhältst.
Du wirst auf einem winzigen, sauberen Datensatz trainieren. Jede Zeile hat zwei Merkmale. Das Label ist 0 wenn beide Merkmale klein sind und 1 wenn beide groß sind, mit einer klaren Lücke dazwischen:
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)Weil die zwei Gruppen perfekt getrennt sind, kann der Baum eine Regel lernen, die jede Trainingszeile richtig bekommt. Das wird bei unordentlichen echten Daten nicht immer passieren, und die nächsten Lektionen drehen sich darum, was zu tun ist, wenn das nicht der Fall ist. Aber es macht einen sauberen ersten Durchlauf.
Ein Hinweis zur breiteren KI Welt: Schwergewichtige Tools wie TensorFlow und PyTorch können in diesem im Browser laufenden Python nicht ausgeführt werden, also bleibt dieser Kurs bei scikit-learn, was völlig ausreicht, um die echten Ideen zu lernen.
Features X (8 Zeilen, 2 Spalten) und Labels y sind gegeben. Erstelle ein DecisionTreeClassifier(random_state=0) namens clf, passe es auf X und y an, dann prädiziere auf X und speichere das Ergebnis in preds. Prädiziere auch den einzelnen neuen Punkt [[9, 9]] und speichere nur dieses eine Label (ein int) in new_pred.
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.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.