Conteúdo do curso Lição 97 de 250 · Seus Primeiros Modelos de Machine Learning
Seus Primeiros Modelos de Machine Learning

Projeto: Classificar Flores de Ponta a Ponta

Hora de montar todo o pipeline sozinho, sem andaimes. Este é o fluxo de trabalho exato que você usaria em um problema real.

Você recebeu um pequeno conjunto de dados de flores tipo íris como um DataFrame chamado data. Cada linha tem duas características, petal_len e petal_wid, e um rótulo species que é 0, 1, ou 2 para três tipos de flores. As três espécies ocupam tamanhos de pétalas claramente diferentes, então um bom modelo deve separá-las bem.

Seu trabalho é a sequência completa que você aprendeu, em ordem:

  • Split as features e label em X e y.
  • Reserve um conjunto de teste com train_test_split.
  • Treine um modelo no conjunto de treinamento.
  • Predict no conjunto de teste.
  • Evaluate com acurácia naquele conjunto de teste.

Dois detalhes para uma execução limpa e reprodutível. Passe random_state=0 em todos os lugares onde aparece aleatoriedade (a divisão e o modelo). E passe stratify=y para train_test_split para que o conjunto de teste mantenha a mesma mistura das três espécies em vez de, por exemplo, deixar uma espécie de fora por acaso, o que importa quando cada classe é pequena.

Este é o mesmo laço, em escala maior, que roda atrás de filtros de spam, triagens médicas e sistemas de recomendação. O modelo aqui é pequeno e os dados são amigáveis, mas o formato do trabalho é exatamente real.

Sua vez

Usando o DataFrame fornecido data: defina X = data[["petal_len", "petal_wid"]] e y = data["species"]. Divida com train_test_split(X, y, test_size=0.25, random_state=0, stratify=y) em X_train, X_test, y_train, y_test. Treine um RandomForestClassifier(n_estimators=50, random_state=0) chamado model no conjunto de treinamento, preveja em X_test para predictions e defina acc = accuracy_score(y_test, predictions).

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.