الأوزان كأدلة

جزء من قسم التعلّم الخاضع للإشراف في رحلة Machine Learning على Coddy. الدرس 18 من 58.

ما الذي يدفع زائر المتجر إلى الشراء؟ قِس الميزات، بحيث يكون كل وزن لكل انحراف معياري، ثم اقرأ الأوزان بوصفها أدلة:

أشرطة أفقية لأربعة أوزان مُقاسة. باتجاه الشراء، باللون الأزرق: pages_viewed 0.87، minutes 0.12. بعيدًا عن الشراء، باللون البرتقالي: from_ad -0.30، price_seen -0.72

X_scaled = StandardScaler().fit_transform(visits)
model = LogisticRegression(max_iter=1000)
model.fit(X_scaled, bought)
print(np.round(model.coef_[0], 2))  # صف واحد من الأوزان

يطبع هذا الأوزان بترتيب الأعمدة:

[ 0.87  0.12 -0.3  -0.72]

الإشارة هي الاتجاه: فالموجب يدفع نحو الفئة 1، أي الشراء؛ والسالب يدفع بعيدًا عنها. أما المقدار فهو القوة.

يجعل التحجيم الأحجام قابلة للمقارنة: من دون تحجيم، سيحصل السعر بالسنتات على وزن أصغر بمقدار 100 مرة مقارنةً بالسعر بالدولارات.

التحدي

متوسط

يسأل تطبيق لتعلّم اللغات عن العادات المرتبطة بالحفاظ على سلسلة لمدة 30 يومًا، أو بإكمال دورة. يحتوي learners.csv على ست سمات والتسميتين؛ ويقرأ البرنامج أي تسمية سيدرسها. يقسم البرنامج البيانات الأولية ويطبّق التحجيم.

درّب LogisticRegression على صفوف التدريب بعد تحجيمها.
اطبع كل وزن، بدءًا بالأكبر (بمنزلتين عشريتين)، مع اتجاهه.
اطبع أقوى دليل، في أي من الاتجاهين.

لتطبيق آخر:

friends: 1.02, pushes toward yes
reminder_on: 0.42, pushes toward yes
age: 0.06, pushes toward yes
daily_goal_min: -0.11, pushes toward no
lessons_week1: -0.2, pushes toward no
night_owl: -0.64, pushes toward no
Strongest evidence: friends

جرّب بنفسك

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

learners = pd.read_csv("learners.csv")
features = ["daily_goal_min", "friends", "reminder_on", "lessons_week1", "night_owl", "age"]
label = input()  # kept_streak أو finished_course
X_train, X_test, y_train, y_test = train_test_split(learners[features], learners[label], test_size=0.25, random_state=0)
scaler = StandardScaler()
X_train_s = scaler.fit_transform(X_train)

# اكتب الكود الخاص بك أدناه