Müfredat 250 dersinden 88. · İlk Makine Öğrenmesi Modellerin
İlk Makine Öğrenmesi Modellerin

İlk Modelin: Bir Karar Ağacı

Artık bir şeyler eğitme vakti. Bir decision tree classifier, özellikler hakkında evet/hayır sorularından oluşan bir akış şeması öğrenir ve akış şemasının her yaprağı tahmin edilen bir etikettir. Canlı gözle hayal etmesi kolay olduğu için harika bir ilk modeldir: karar verene kadar sadece "özellik 1, 5'ten büyük mü?" gibi sorular sormaya devam eder.

Kod, birinci dersteki fit/predict ritüelini takip ediyor:

from sklearn.tree import DecisionTreeClassifier

clf = DecisionTreeClassifier(random_state=0)
clf.fit(X, y)               # learn the questions
clf.predict(X_new)          # classify new rows

Tekrarlanabilirlik için random_state=0 geçiyoruz. Her bölünmeyi oluştururken scikit-learn dikkate aldığı özellikleri rastgele karıştırır, bu yüzden tohum eklenmemiş iki çalışma farklı (aynı derecede iyi) bölünmeler seçebilir ve biraz farklı ağaçlar oluşturabilir. Tohumu sabitlemek bu seçimi sabitler, böylece her seferinde aynı ağacı elde edersin.

Küçük ve temiz bir veri seti üzerinde eğitim yapacaksın. Her satır iki özelliğe sahip. Etiket, her iki özellik de küçükse 0, her ikisi de büyükse 1 olur ve aralarında net bir boşluk vardır:

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)

İki iki grup mükemmel şekilde ayrılmış durumda, ağaç her eğitim satırını doğru tahmin eden bir kural öğrenebilir. Bu, karmaşık gerçek verilerle her zaman gerçekleşmeyecek ve sonraki derslerin tamamı bu gerçekleşmediğinde ne yapılacağı ile ilgili olacak. Ama temiz bir ilk çalışma sağlıyor.

Yapay zeka dünyası hakkında bir not: TensorFlow ve PyTorch gibi ağır araçlar bu tarayıcı içi Python'da çalışamaz, bu yüzden bu kurs gerçek fikirleri öğrenmek için yeterli olan scikit-learn ile devam ediyor.

Senin sıran

X (8 satır, 2 sütun) özellikleri ve y etiketleri verildi. clf adında bir DecisionTreeClassifier(random_state=0) oluştur, onu X ve y üzerinde eğit, sonra X üzerinde tahmin yap ve sonucu preds içine kaydet. Ayrıca tek yeni nokta olan [[9, 9]] için tahmin yap ve sadece o etiketi (bir int) new_pred içine kaydet.

Bu derste bir sorun mu fark ettin? Bildir · Bu ders hakkında soru sor

Bu alıştırma yakında açılacak

Bu dersi bitirince bu ders açılacak. Kursun tamamı ücretsiz, hesap gerekmiyor ve bu dersi hemen şimdi okuyabilirsin.