Архив категории ‘Введение в машинное обучение с использованием Python’

Методы машинного обучения с учителем (общие сведения)

    На этом шаге мы напомним суть этого метода.     Как мы уже говорили ранее, машинное обучение с учителем является одним из наиболее часто используемых и успешных видов машинного обучения. В следующих шагах мы более подробно расскажем о машинном обучении с учителем и объясним работу нескольких популярных алгоритмов. Мы уже разбирали применение машинного обучения с […]

Первый пример… . Построение первой модели: выводы и перспективы

    На этом шаге мы подитожим рассмотренное в предыдущих шагах.     Давайте подытожем то, чему мы научились в предыдущих шагах. Мы начали с краткого введения в машинное обучение и сфер его применения, затем обсудили различие между обучением с учителем и обучением без учителя и дали краткий обзор инструментов, которые мы будем использовать в дальнейшем. Затем […]

Первый пример… . Построение первой модели: оценка качества модели

    На этом шаге мы рассмотрим способ оценки правильности полученных результатов.     Это тот самый момент, когда нам понадобится созданный ранее тестовый набор. Эти данные не использовались для построения модели, но мы знаем правильные сорта для каждого ириса в тестовом наборе.     Таким образом, мы можем сделать прогноз для каждого ириса в тестовом наборе и […]

Первый пример… . Построение первой модели: получение прогнозов

    На этом шаге мы рассмотрим порядок шагов, выполняемых для прогнозирования.     Теперь мы можем получить прогнозы, применив эту модель к новым данным, по которым мы еще не знаем правильные метки. Представьте, что мы нашли в дикой природе ирис с длиной чашелистика 5 см, шириной чашелистика 2.9 см, длиной лепестка 1 см и шириной лепестка […]

Первый пример… . Построение первой модели: метод к ближайших соседей

    На этом шаге мы рассмотрим последовательность шагов, приводящих к построению этой модели.     Теперь мы можем начать строить реальную модель машинного обучения. В библиотеке scikit-learn имеется довольно много алгоритмов классификации, которые мы могли бы использовать для построения модели. В данном примере мы будем использовать классификатор на основе метода к ближайших соседей, который легко интерпретировать. […]

Первый пример: классификация сортов ириса. Анализ исходных данных

    На этом шаге мы рассмотрим пример исследования данных.     Перед тем как строить модель машинного обучения, неплохо было бы исследовать данные, чтобы понять, можно ли легко решить поставленную задачу без машинного обучения или содержится ли нужная информация в данных.     Кроме того, исследование данных - это хороший способ обнаружить аномалии и особенности. Например, вполне […]

Первый пример… . Метрики эффективности: обучающий и тестовый наборы

    На этом шаге мы рассмотрим формирование обучающего и тестового наборов.     На основе этих данных нам нужно построить модель машинного обучения, которая предскажет сорта ириса для нового набора измерений. Но прежде, чем мы применить нашу модель к новому набору, мы должны убедиться в том, что модель на самом деле работает и ее прогнозам можно […]

Первый пример: классификация сортов ириса. Загрузка двнных

    На этом шаге мы рассмотрим загрузку и трактовку данных.     Данные, которые мы будем использовать для этого примера, - это набор данных Iris, классический набор данных в машинном обучении и статистике. Он уже включен в модуль datasets библиотеки scikit-learn. Мы можем загрузить его, вызвав функцию load_iris: [In 1]: from sklearn.datasets import load_iris iris_dataset = […]

Введение. Первый пример: классификация сортов ириса

    На этом шаге мы сформулируем требования к задаче.     Начиная с этого шага мы рассмотрим простой пример применения машинного обучения и построим нашу первую модель. В процессе изложения материала мы познакомим вас с некоторыми основными принципами и терминами.     Предположим, что ботаник-любитель хочет классифицировать сорта ирисов, которые он собрал. Он измерил в сантиметрах некоторые […]

Основные библиотеки и инструменты. Версии библиотек

    На этом шаге мы перечислим используемые версии библиотек.     В дальнейшем мы будем использовать следующие версии ранее упомянутых библиотек: import sys print("версия Python: {}".format(sys.version)) import pandas as pd print("версия pandas: {}".format(pd.__version__)) import matplotlib print("версия matplotlib: {}".format(matplotlib.__version__)) import numpy as np print("версия NumPy: {}".format(np.__version__)) import scipy as sp print("версия SciPy: {}".format(sp.__version__)) import IPython print("версия IPython: […]