Введение
Машинное обучение для детей: добро пожаловать, юные программисты, в ваше первое захватывающее приключение в мире машинного обучения! Это может показаться сложным, но не волнуйтесь, мы собираемся разбить его на кусочки размером с укус. Машинное обучение — это обучение компьютеров тому, как учиться и принимать решения на основе данных, точно так же, как мы, люди, на основе нашего опыта.
Это кому?
Оценка: с 6 по 10
Это руководство предназначено для учащихся 6-10 классов, которые имеют некоторые базовые знания Python, включая переменные, типы данных, циклы, функции, и проявляют общий интерес к данным и решению проблем. Итак, если вы заинтересованы в изучении того, как заставить компьютер учиться на данных, вы попали по адресу!
Чему мы научимся?
В этом руководстве мы узнаем, как использовать библиотеку Python под названием Scikit-learn для создания базовой модели машинного обучения. Мы будем использовать простой и известный набор данных под названием «Ирис», который включает в себя различные измерения цветов ириса трех разных видов.
Понимание вашей первой программы машинного обучения
В машинном обучении наша цель — создать модель — это своего рода компьютерная программа, которая учится на данных. После того, как модель обучена с использованием существующих данных (известных как обучающие данные), мы можем использовать ее для прогнозирования новых, невидимых данных.
Scikit-learn — популярная библиотека Python для машинного обучения. Он имеет множество инструментов, которые упрощают создание и обучение этих моделей.
Давайте взглянем на простую программу машинного обучения:
# Import necessary libraries
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import tree
from sklearn.metrics import accuracy_score
# Load iris dataset
iris = datasets.load_iris()
# Split the dataset into train and test data
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.5, random_state=42)
# Initialize our decision tree object
classification_tree = tree.DecisionTreeClassifier()
# Train the model using the training sets
classification_tree = classification_tree.fit(X_train, y_train)
# Predict the response for test dataset
y_pred = classification_tree.predict(X_test)
# Print the accuracy
print("Accuracy:", accuracy_score(y_test, y_pred))Разобьем этот код на более простые шаги:
Начнем с импорта необходимых библиотек. мы будем использовать datasets от sklearn чтобы загрузить набор данных радужной оболочки, train_test_split разделить наш набор данных на наборы для обучения и тестирования, tree использовать модель дерева решений и accuracy_score чтобы измерить, насколько хорошо работала наша модель.
Мы загружаем набор данных радужной оболочки. Данные (измерения) хранятся в iris.dataа то, что мы хотим предсказать (виды цветов), хранится в iris.target.
Мы разделили набор данных на две части: обучающий набор и тестовый набор. Мы будем использовать обучающий набор для обучения нашей модели и тестовый набор для проверки того, насколько хорошо модель научилась.
Мы создаем классификатор дерева решений. Это тип модели, которая принимает решения на основе предоставленных данных. Вы можете думать об этом как о серии вопросов «да/нет», ведущих к окончательному решению.
Мы используем fit метод обучения нашей модели с использованием обучающих данных.
После обучения модели используем predict метод предсказания видов цветов в тестовом наборе.
Наконец, мы используем accuracy_score функция, чтобы узнать, как часто наша модель была правильной.
Эта простая программа знаменует собой ваш первый шаг в мир машинного обучения! Помните, это только начало. Есть так много всего, что можно изучить и узнать, так что продолжайте программировать и не теряйте любопытства!
Учебники
Урок 1 — Установка Python
Урок 2 — Ваша первая программа на Python
Урок 3 — Переменные Python
Урок 4 — Типы данных Python
Урок 5 — Условные выражения Python
Урок 6 — Циклы Python
Урок 7 — Функции Python
Урок 8 — Расширенные функции Python
Урок 9. Начальная программа машинного обучения Python
Урок 10. Ваша первая программа машинного обучения!
Узнайте больше с этой книгой.
Рекомендации
Бриггс, Джейсон Р. Python для детей: игровое введение в программирование. Пресса без крахмала, 2012.