Je eerste model: een Decision Tree
Tijd om echt iets te trainen. Een decision tree classifier leert een stroomdiagram van ja/nee vragen over de features, en elk blad van het stroomdiagram is een voorspeld label. Het is een geweldig eerste model omdat het makkelijk te visualiseren is: het blijft gewoon vragen stellen zoals "is feature 1 groter dan 5?" tot het kan beslissen.
De code volgt het fit/predict ritueel uit les één:
from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(random_state=0)
clf.fit(X, y) # learn the questions
clf.predict(X_new) # classify new rowsWe gebruiken random_state=0 voor reproduceerbaarheid. Omdat het bij elke split de features die scikit-learn overweegt willekeurig permuteert, kunnen twee runs zonder seed verschillende (even goede) splits kiezen en iets andere bomen laten groeien. Het vastzetten van de seed zet die keuze vast zodat je elke keer dezelfde boom krijgt.
Je traint op een kleine, schone dataset. Elke rij heeft twee features. Het label is 0 wanneer beide features klein zijn en 1 wanneer beide groot zijn, met een duidelijke kloof ertussen:
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)Omdat de twee groepen perfect gescheiden zijn, kan de boom een regel leren die elke trainingsrij correct krijgt. Dat zal niet altijd gebeuren met rommelige echte data, en de volgende lessen gaan over wat je moet doen als dat niet zo is. Maar het maakt een schone eerste run.
Eén opmerking over de bredere AI wereld: zware tools zoals TensorFlow en PyTorch kunnen niet draaien in deze in-browser Python, dus deze cursus blijft bij scikit-learn, wat genoeg is om de echte ideeën te leren.
Features X (8 rijen, 2 kolommen) en labels y zijn gegeven. Maak een DecisionTreeClassifier(random_state=0) genaamd clf, pas het toe op X en y, voorspel dan op X en sla het resultaat op in preds. Voorspel ook het nieuwe punt [[9, 9]] en sla alleen dat ene label (een int) op in new_pred.
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.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.