Aus Beispielen lernen

Teil des Abschnitts Überwachtes Lernen der Machine Learning-Journey von Coddy. Lektion 1 von 58.

Jetzt geht es um echte Modelle. Ein Modell untersucht beschriftete Zeilen, Merkmale plus eine Beschriftung, und lernt, neue Zeilen zu beschriften: überwachtes Lernen. Beschriftete Samen hinein, eine Karte heraus:

Zwei Diagramme mit 180 Weizensamen, die Fläche auf der waagerechten und die Furchenlänge auf der senkrechten Achse. Links die beschrifteten Samen in drei Gruppen: Kama, Rosa und Canadian. Rechts dieselben Samen auf einer Karte, die in drei Bereiche unterteilt und jeweils einer Sorte zugeordnet sind

Eine Sorte ist eine Kategorie, also handelt es sich um Klassifikation: Das Modell zieht Grenzen. Eine Zahlenangabe, wie das Gewicht einer Melone, ist Regression: Das Modell lernt eine Linie.

30 Wassermelonen als grüne Punkte, Länge in cm auf der waagerechten und Gewicht in kg auf der senkrechten Achse, mit einer ansteigenden orangefarbenen Linie durch sie hindurch. Eine neue 32 cm lange Melone liegt bei etwa 6,2 kg auf der Linie

Welche Art? .nunique() zählt die verschiedenen Werte eines Labels: Eine Kategorie wiederholt sich einige Male, eine Zahl selten.

seeds = pd.read_csv("seeds.csv")
print(seeds["variety"].nunique())

Das gibt 3 aus: eine Klassifizierung.

Aufgabe

Einfach

Ein Geschäft für gebrauchte E-Scooter könnte jede Spalte von scooters.csv vorhersagen. Was wäre Klassifikation, was Regression? Das Programm liest einen Spaltennamen in label ein.

Zähle die unterschiedlichen Werte der Spalte.
Gib sie wie unten aus, zusammen mit der Anzahl der Scooter.
Gib A category: classification aus, wenn es höchstens 10 unterschiedliche Werte gibt, andernfalls A number: regression.

Für ein anderes Geschäft und die Spalte brand:

brand: 7 different values in 50 scooters
A category: classification

Probier es selbst

import pandas as pd

scooters = pd.read_csv("scooters.csv")
label = input()

# Schreibe deinen Code unten

Teste dich selbst

Diese Lektion enthält ein kurzes Quiz. Starte die Lektion, um es zu beantworten und deinen Fortschritt zu speichern.

Alle Lektionen in Überwachtes Lernen

1Dein erstes Modell

Aus Beispielen lernenTrainings- und Testdatensätze Anpassen und Vorhersagen Ein Modell bewerten Rückblick: Saatgutsortierer

4Logistische Regression

Ja-Nein-Vorhersagen Die Entscheidungsschwelle Gewichte als Indizien Mehrere Klassen Rückblick: Spamfilter

7Überanpassung

Unter- und Überanpassung Lernkurven Regularisierung Validierungssets Rückblick: Einen Baum optimieren

10Pipelines

Pipelines Gemischte Spalten Fehlende Werte in einer Pipeline imputieren Eine Pipeline optimieren Rückblick: Bereinigen und Vorhersagen

2Nächste Nachbarn

So entscheidet k-NN k wählen Entscheidungsgrenzen Skalierung für Nachbarn Rückblick: Wein-Nachbarn

5Klassifikatoren bewerten

Die Konfusionsmatrix Präzision und Trefferquote Der F1-Score Unausgewogene Klassen ROC-Kurven Rückblick: Screeningtest

8Kreuzvalidierung

K-Fold-Validierung Modelle fair vergleichen Gittersuche Rückblick: Skateboard-Reparaturen

11Projekt: Pinguinarten

Lerne die Pinguine kennen Bereite die Daten vor Wähle ein Modell Optimiere den Sieger Bringe das Modell in den Einsatz

3Lineare Regression

Zahlen vorhersagen Mehrere Merkmale Fehler messen Residuenplots Zusammenfassung: Fahrradverleih

6Entscheidungsbäume

Bäume stellen Fragen Einen Baum lesen Baumtiefe Merkmalswichtigkeit Rückblick: Kreditentscheidungen

9Ensembleverfahren

Random Forests Warum Random Forests funktionieren Gradient Boosting Rückblick: Förster des Waldes

12Abschließende Herausforderungen

Diabetes-Fortschritt Kreditgenehmigung Handgeschriebene Ziffern Kundenabwanderung

Übe selbstständig: Online-Python-Compiler