Programma Les 97 van 250 · Je eerste Machine Learning modellen
Je eerste Machine Learning modellen

Project: bloemen classificeren van begin tot eind

Tijd om de hele pipeline zelf samen te stellen, zonder steigerwerk. Dit is de exacte workflow die je zou gebruiken bij een echt probleem.

Je krijgt een kleine dataset van iris-achtige bloemen als een DataFrame genaamd data. Elke rij heeft twee kenmerken, petal_len en petal_wid, en een label species dat 0, 1 of 2 is voor drie bloemtypen. De drie soorten hebben duidelijk verschillende bloembladgroottes, dus een goed model moet ze goed scheiden.

Je taak is de volledige reeks die je hebt geleerd, in volgorde:

  • Split kenmerken en label in X en y.
  • Houd een testset vast met train_test_split.
  • Train een model op de trainingsset.
  • Predict op de testset.
  • Evalueer met nauwkeurigheid op die testset.

Twee details voor een schone, reproduceerbare run. Geef random_state=0 door overal waar willekeur verschijnt (de split en het model). En geef stratify=y door aan train_test_split zodat de testset dezelfde mix van de drie soorten behoudt in plaats van bijvoorbeeld een soort per toeval weglaat, wat ertoe doet wanneer elke klasse klein is.

Dit is dezelfde lus, maar dan opgeschaald, die draait achter spamfilters, medische schermen en aanbevelingssystemen. Het model hier is klein en de data is vriendelijk, maar de vorm van het werk is precies echt.

Jij bent aan de beurt

Gebruik de gegeven DataFrame data: stel X = data[["petal_len", "petal_wid"]] en y = data["species"] in. Splits met train_test_split(X, y, test_size=0.25, random_state=0, stratify=y) naar X_train, X_test, y_train, y_test. Train een RandomForestClassifier(n_estimators=50, random_state=0) genaamd model op de trainingsset, voorspel op X_test naar predictions, en stel acc = accuracy_score(y_test, predictions) in.

Een probleem ontdekt in deze les? Meld het · Vraag naar deze les

Deze oefening opent binnenkort

Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.