你的第一批机器学习模型
机器学习的思维模型
你以前学过这门课程吗?
这样我们只统计你一次。只会发送你的答案,以及你的匿名进度。
机器学习听起来很神秘,但核心想法很朴素:不是你自己写规则,而是给程序看大量例子,让它自己找出规则。本模块几乎所有内容都建立在三个想法之上。
特征与标签
一个例子分成两部分。特征是你事先知道的东西(房子的面积、卧室数量)。标签是你想预测的东西(它的价格)。按照长期的传统,特征叫 X(一张表,大写字母),标签叫 y(单独一列,小写)。
X (features) y (label)
size_sqft bedrooms price_k
650 1 220
800 2 265
1200 3 410监督学习与无监督学习
- 监督学习有标签。你知道每个训练例子的正确答案,所以模型学习把
X映射到y。预测价格,或把邮件分为垃圾邮件和非垃圾邮件,都是监督学习。 - 无监督学习没有标签。你只有
X,让模型去找结构,比如把相似的顾客分到一组。整个本模块都是监督学习。
fit / predict 模式
每个 scikit-learn 模型都说同样的两个动词。你会一次又一次地看到这个形状:
model = SomeModel()
model.fit(X, y) # learn from examples
model.predict(X_new) # guess labels for new rows整个仪式就是这些。难点从来不在 API,而在于选好特征,并诚实地衡量模型表现得怎么样,本模块的其余部分讲的就是这个。
在这个练习里你还不用训练任何东西。你只需要做那不起眼但必不可少的第一步:拿一张小表,把它切成 X 和 y。
轮到你了
给定一个小的房屋 DataFrame df,列为 size_sqft、bedrooms 和 price_k。设 feature_cols = ["size_sqft", "bedrooms"],建立 X = df[feature_cols](只有两个输入列)和 y = df["price_k"](标签)。然后把 n_features 设为特征列的数量,n_samples 设为行数。
本课已完成。干得好。
这个练习即将开放
完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。
这个浏览器屏蔽了 learn.floati.life 的 Cookie,所以你在这里完成的课程无法按顺序打开。请允许这个网站使用 Cookie,然后重新加载。