Silabus Pelajaran 97 dari 250 · Model Machine Learning Pertama Kamu
Model Machine Learning Pertama Kamu

Proyek: Klasifikasi Bunga End to End

Waktunya kamu menyusun seluruh pipeline sendiri tanpa bantuan scaffolding. Ini adalah alur kerja yang akan kamu gunakan pada masalah nyata.

Kamu diberikan dataset bunga kecil mirip iris sebagai DataFrame bernama data. Setiap baris punya dua fitur, petal_len dan petal_wid, dan label species yang bernilai 0, 1, atau 2 untuk tiga jenis bunga. Ketiga spesies memiliki ukuran kelopak yang berbeda jelas, jadi model yang bagus harus bisa memisahkan mereka dengan baik.

Tugas kamu adalah seluruh urutan yang sudah kamu pelajari, secara berurutan:

  • Split fitur dan label ke dalam X dan y.
  • Simpan set pengujian dengan train_test_split.
  • Train model pada training set.
  • Predict pada test set.
  • Evaluasi dengan akurat pada set pengujian itu.

Dua detail untuk jalannya program yang bersih dan dapat diulang. Masukkan random_state=0 di setiap tempat yang ada keacakan (pembagian dan model). Dan masukkan stratify=y ke train_test_split supaya set pengujian tetap menjaga campuran ketiga spesies yang sama daripada, misalnya, meninggalkan satu spesies secara tidak sengaja, yang penting saat setiap kelas jumlahnya sedikit.

Ini adalah loop yang sama, dalam skala lebih besar, yang berjalan di balik filter spam, layar medis, dan sistem rekomendasi. Model di sini kecil dan datanya ramah, tapi bentuk pekerjaannya benar-benar nyata.

Giliranku

Gunakan DataFrame data yang diberikan: atur X = data[["petal_len", "petal_wid"]] dan y = data["species"]. Bagi dengan train_test_split(X, y, test_size=0.25, random_state=0, stratify=y) menjadi X_train, X_test, y_train, y_test. Latih RandomForestClassifier(n_estimators=50, random_state=0) bernama model pada training set, prediksi pada X_test ke predictions, dan atur acc = accuracy_score(y_test, predictions).

Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini

Latihan ini akan segera dibuka

Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.