पाठ्यक्रम 250 में से पाठ 88 · आपके पहले मशीन लर्निंग मॉडल
आपके पहले मशीन लर्निंग मॉडल

आपका पहला मॉडल: एक decision tree

अब सचमुच कुछ train करने का समय है। एक decision tree classifier features के बारे में हाँ/ना सवालों का एक flowchart सीखता है, और flowchart का हर पत्ता एक अनुमानित label है। यह एक बढ़िया पहला मॉडल है क्योंकि इसकी तस्वीर बनाना आसान है: यह बस "क्या feature 1, 5 से बड़ा है?" जैसे सवाल पूछता रहता है जब तक फ़ैसला न कर ले।

कोड पहले पाठ के fit/predict रिवाज पर चलता है:

from sklearn.tree import DecisionTreeClassifier

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

हम दोहराने लायक नतीजों के लिए random_state=0 देते हैं। हर split बनाते समय scikit-learn अपने देखे जाने वाले features को रैंडम ढंग से फेंटता है, इसलिए बिना seed के दो बार चलाने पर अलग (बराबर अच्छे) splits चुने जा सकते हैं और थोड़े अलग पेड़ बन सकते हैं। seed तय करने से वह चुनाव पक्का हो जाता है ताकि आपको हर बार वही पेड़ मिले।

आप एक छोटे, साफ़ dataset पर train करेंगे। हर पंक्ति में दो features हैं। label 0 है जब दोनों features छोटे हों और 1 जब दोनों बड़े हों, बीच में एक साफ़ अंतर के साथ:

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)

क्योंकि दोनों समूह पूरी तरह अलग हैं, पेड़ ऐसा नियम सीख सकता है जो हर training पंक्ति को सही करे। बिखरे असली डेटा के साथ ऐसा हमेशा नहीं होगा, और अगले पाठ इसी बारे में हैं कि तब क्या करें। पर इससे पहला दौर साफ़ रहता है।

बड़ी AI दुनिया पर एक बात: TensorFlow और PyTorch जैसे भारी औज़ार इस ब्राउज़र वाले Python में नहीं चल सकते, इसलिए यह कोर्स scikit-learn के साथ रहता है, जो असली विचार सीखने के लिए काफ़ी है।

आपकी बारी

features X (8 पंक्तियाँ, 2 कॉलम) और labels y दिए गए हैं। clf नाम का एक DecisionTreeClassifier(random_state=0) बनाएँ, उसे X और y पर fit करें, फिर X पर predict करें और नतीजा preds में रखें। अकेले नए बिंदु [[9, 9]] का भी predict करें और सिर्फ़ वह एक label (एक int) new_pred में रखें।

इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें

यह अभ्यास जल्द खुलेगा

इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।