はじめてのモデル:決定木
いよいよ実際に何かを学習させるときです。決定木分類器は、特徴量についての「はい/いいえ」の質問のフローチャートを学び、フローチャートの各葉が予測されるラベルになります。思い浮かべやすいので、最初のモデルにぴったりです:決められるまで「特徴量 1 は 5 より大きいか?」のような質問をし続けるだけです。
コードは最初のレッスンの fit/predict の儀式に従います:
from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(random_state=0)
clf.fit(X, y) # learn the questions
clf.predict(X_new) # classify new rows再現性のために random_state=0 を渡します。scikit-learn は各分割を作るときに検討する特徴量をランダムに並べ替えるので、seed を固定しない 2 回の実行では、(同じくらい良い)違う分割を選び、少しだけ違う木が育つことがあります。seed を固定すればその選択が決まり、毎回同じ木が得られます。
小さくてきれいなデータセットで学習させます。各行には特徴量が 2 つあります。ラベルは、両方の特徴量が小さいとき 0、両方が大きいとき 1 で、そのあいだにははっきりした隙間があります:
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)2 つのグループは完全に分かれているので、木はすべての学習用の行を正しく当てるルールを学べます。汚れた実際のデータではいつもそうなるとは限らず、次のレッスンはどれも、そうならないときにどうするかについての話です。でも、最初の実行としてはすっきりしています。
より広い AI の世界について一言:TensorFlow や PyTorch のような重量級の道具は、このブラウザ内の Python では動かないので、このコースでは scikit-learn を使い続けます。本物の考え方を学ぶにはそれで十分です。
特徴量 X(8 行 2 列)とラベル y が与えられています。clf という名前の DecisionTreeClassifier(random_state=0) を作り、X と y で fit し、それから X で predict して結果を preds に保存してください。さらに、新しい 1 点 [[9, 9]] を predict し、その 1 つのラベル(int)だけを new_pred に保存してください。
この演習はまもなく開きます
その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。
このブラウザは learn.floati.life の Cookie をブロックしているため、ここで修了したレッスンを順番どおりに開けません。このサイトの Cookie を許可して再読み込みしてください。