Müfredat 250 dersinden 87. · İlk Makine Öğrenmesi Modellerin
İlk Makine Öğrenmesi Modellerin

Eğitim/Test Bölmesi: Dürüst Ölçüm

Makine öğrenmesindeki en önemli alışkanlık budur. Bir modeli eğitip sonra aynı veri üzerinde test edersen hiçbir yararlı şey öğrenemezsin. Bir model sadece daha önce gördüğü cevapları ezberleyerek mükemmel puan alabilir. Bu, bir öğrenciyi tam olarak çalıştığı sorular üzerinden notlandırmak gibidir: anlayışı değil, hafızayı ölçer.

Çözüm bazı verileri ayırmak. Verilerin çoğunda train yapıyorsun, sonra modelin hiç görmediği satırlarda test yapıyorsun. Test performansı, gerçek ve gelecekteki verilerde nasıl sonuç vereceğine dair dürüst tahminindir.

scikit-learn sana bunun için bir fonksiyon veriyor:

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=0
)

Dört parça döndürür, her zaman şu sırayla: train features, test features, train labels, test labels. İki argüman önemlidir:

  • test_size=0.2 test için yüzde 20 ayırır ve eğitim için yüzde 80 tutar.
  • random_state=0 karıştırmayı düzeltir böylece her çalışmada same bölünmesini alırsın. O olmadan bölünme her seferinde rastgele olur ve sonuçların değişir, kontrol edilemez. Bu kursun tamamında her zaman random_state=0.
  • gönder.

Bundan sonra katı bir kural: eğitim seti üzerinde çalıştırabilirsin, ama sadece test seti üzerinde grade yapabilirsin. Modelin eğitildiği verilerden asla bir skor raporlama.

Senin sıran

X (10 satır, 2 sütun) ve y (10 etiket) dizileri verildi. X_train, X_test, y_train, y_test elde etmek için train_test_split ile test_size=0.2 ve random_state=0 kullan. Sonra n_train değerini eğitim satır sayısı, n_test değerini ise test satır sayısı olarak ayarla.

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.