Введение
Добро пожаловать в этот учебник по программе Starter Machine Learning Python! Машинное обучение — это метод анализа данных, который автоматизирует построение аналитических моделей. Это отличный способ заставить компьютеры учиться на данных и делать прогнозы или принимать решения без явного программирования для этого. В этом руководстве мы собираемся написать простую программу машинного обучения с использованием Python.
Это кому?
Оценка: с 6 по 10.
Этот учебник создан для учащихся 6–10 классов, которые уже знакомы с Python, включая переменные, типы данных, условные операторы, циклы, функции и библиотеки. Вы также должны иметь базовые знания по математике. Если вам не терпится окунуться в мир машинного обучения, давайте погрузимся!
Читайте также: Как начать работу с машинным обучением в Julia
Чему мы научимся?
Машинное обучение для детей. В этом руководстве мы узнаем, как создать простую модель машинного обучения с использованием библиотеки Python под названием Scikit-learn. Мы будем использовать набор данных Iris, который является популярным набором данных в машинном обучении и статистике. Он содержит размеры 150 цветов ириса трех разных видов.
В машинном обучении у нас обычно есть набор данных, состоящий как из входных данных, так и из выходных данных. Целью модели машинного обучения является изучение функции, которая наилучшим образом отображает входные данные в выходные данные. Затем эту функцию можно использовать для прогнозирования вывода новых, невидимых входных данных.
Scikit-learn — это библиотека Python для машинного обучения, которая поставляется со многими встроенными наборами данных, такими как набор данных Iris, и инструментами для обработки данных, создания моделей, обучения и оценки моделей.
Вот базовая программа машинного обучения, использующая набор данных Iris:
# Import the necessary libraries
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn import metrics
# Load Iris dataset
iris = load_iris()
# Create features and target variable
X = iris.data # features
y = iris.target # target variable (species)
# Split dataset into training set and test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=4)
# Create KNN Classifier
knn = KNeighborsClassifier(n_neighbors=5)
# Train the model using the training sets
knn.fit(X_train, y_train)
# Predict the response for test dataset
y_pred = knn.predict(X_test)
# Model Accuracy
print("Accuracy:", metrics.accuracy_score(y_test, y_pred))Вот что делает код:
Начнем с импорта необходимых библиотек.
Мы загружаем набор данных Iris с помощью load_iris() функция.
X и y — наши функции и целевая переменная соответственно. Особенности — это размеры цветов, а целевая переменная — это виды цветов.
Мы разделяем набор данных на обучающий набор и тестовый набор. Модель будет учиться на тренировочном наборе, и мы будем использовать тестовый набор для оценки модели.
Мы создаем классификатор K-ближайших соседей (KNN). KNN — это простой алгоритм машинного обучения, который классифицирует точку данных на основе большинства ее «k» соседей.
Мы обучаем наш классификатор KNN, используя fit метод, а затем мы делаем прогнозы на тестовом наборе, используя predict метод.
Наконец, мы печатаем точность нашей модели. Точность — это доля набора тестов, которую наша модель правильно классифицировала.
Эта программа — отличное начало вашего пути к машинному обучению. Вы узнали, как создать и оценить простую модель машинного обучения в Python. В будущих руководствах мы углубимся в более сложные аспекты машинного обучения. Продолжайте исследовать и счастливого кодирования!
СЛЕДУЮЩИЕ ОБУЧЕНИЯ
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.