Le modèle mental du machine learning
Le machine learning a l'air mystérieux, mais l'idée de base est simple : au lieu d'écrire les règles toi-même, tu montres plein d'exemples à un programme et tu le laisses trouver les règles. Presque tout ce module repose sur trois idées.
Caractéristiques et étiquettes
Un exemple se divise en deux parties. Les caractéristiques (features) sont ce que tu sais au départ (la surface d'une maison, son nombre de chambres). L'étiquette (label) est ce que tu veux prédire (son prix). Par longue tradition, les caractéristiques s'appellent X (un tableau, majuscule) et l'étiquette s'appelle y (une seule colonne, minuscule).
X (features) y (label)
size_sqft bedrooms price_k
650 1 220
800 2 265
1200 3 410Supervisé ou non supervisé
- L'apprentissage supervisé a des étiquettes. Tu connais la bonne réponse pour chaque exemple d'entraînement, donc le modèle apprend à passer de
Xày. Prédire un prix, ou trier des e-mails en spam ou non, c'est du supervisé. - L'apprentissage non supervisé n'a pas d'étiquettes. Tu as juste
Xet tu demandes au modèle de trouver une structure, comme regrouper des clients semblables. Tout ce module est en supervisé.
Le schéma fit / predict
Tous les modèles scikit-learn parlent avec les deux mêmes verbes. Tu verras cette forme encore et encore :
model = SomeModel()
model.fit(X, y) # learn from examples
model.predict(X_new) # guess labels for new rowsC'est tout le rituel. La partie difficile n'est jamais l'API, c'est de choisir de bonnes caractéristiques et de mesurer honnêtement la qualité du modèle, ce dont parle la suite de ce module.
Dans cet exercice, tu n'entraînes encore rien. Tu fais juste la première étape, peu glorieuse mais essentielle : prendre un petit tableau et le découper en X et y.
Un petit DataFrame immobilier df est fourni avec les colonnes size_sqft, bedrooms et price_k. Écris feature_cols = ["size_sqft", "bedrooms"], construis X = df[feature_cols] (seulement les deux colonnes d'entrée) et y = df["price_k"] (l'étiquette). Puis donne à n_features le nombre de colonnes de caractéristiques et à n_samples le nombre de lignes.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.