سرفصل‌ها درس 88 از 250 · اولین مدل‌های یادگیری ماشین شما
اولین مدل‌های یادگیری ماشین شما

اولین مدل شما: یک درخت تصمیم

وقتشه که واقعاً چیزی رو آموزش بدیم. یک طبقه‌بند درخت تصمیم یک نمودار جریان از سؤال‌های بله/خیر درباره ویژگی‌ها یاد می‌گیره و هر برگ از این نمودار جریان یک برچسب پیش‌بینی‌شده است. این اولین مدل عالی است چون به راحتی قابل تصور است: این مدل فقط سؤال‌هایی مثل «آیا ویژگی ۱ بزرگ‌تر از ۵ است؟» را پشت سر هم می‌پرسد تا بتواند تصمیم بگیرد.

کد از آیین فیت/پیش‌بینی درس اول پیروی می‌کند:

from sklearn.tree import DecisionTreeClassifier

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

ما پاس می‌دهیم random_state=0 برای قابلیت بازتولید. در حین ساخت هر شاخه، scikit-learn ویژگی‌های مورد نظر را به‌طور تصادفی مرتب‌سازی می‌کند، بنابراین دو اجرای بدون تعیین بذر می‌توانند شاخه‌های متفاوتی (با عملکرد یکسان) را انتخاب کرده و درختان کمی متفاوتی بسازند. ثابت کردن بذر، این انتخاب را محدود می‌کند تا هر بار همان درخت را دریافت کنید.

شما روی یک مجموعه داده کوچک و تمیز آموزش می‌دهید. هر سطر دو ویژگی دارد. برچسب 0 وقتی هر دو ویژگی کوچک هستند و 1 وقتی هر دو بزرگ هستند، با یک فاصله واضح در بین آن‌ها:

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)

از آنجایی که این دو گروه به طور کامل از هم جدا شده‌اند، درخت می‌تواند قاعده‌ای را بیاموزد که هر سطر آموزشی را به درستی پیش‌بینی کند. این اتفاق همیشه با داده‌های واقعی و پیچیده رخ نمی‌دهد، و درس‌های بعدی تماماً در مورد این هستند که وقتی چنین نشد چه باید کرد. اما این یک اجرای اول تمیز و روان را فراهم می‌کند.

یک نکته در مورد دنیای گسترده‌تر هوش مصنوعی: ابزارهای سنگین مانند TensorFlow و PyTorch در این پایتون داخل-مرورگر اجرا نمی‌شوند، بنابراین این دوره به scikit-learn پایبند می‌ماند، که برای یادگیری ایده‌های اصلی کاملاً کافی است.

نوبت شما

ویژگی‌ها X (۸ سطر، ۲ ستون) و برچسب‌ها y داده‌شده‌اند. ایجاد یک DecisionTreeClassifier(random_state=0) نام‌گذاری‌شده clf، آن را روی X و y، سپس بر روی X و نتیجه را در preds. همچنین بر روی یک نقطهٔ جدید پیش‌بینی کنید [[9, 9]] و فقط آن یک برچسب (یک عدد صحیح) را در new_pred.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.