Ja-Nein-Vorhersagen

Teil des Abschnitts Überwachtes Lernen der Machine Learning-Journey von Coddy. Lektion 16 von 58.

Dieses Kapitel beantwortet Ja-oder-Nein-Fragen mit Wahrscheinlichkeiten. Es endet mit einem Spamfilter, den du erstellst und der E-Mails folgendermaßen einordnet:

Acht E-Mails als Balken, die ihre Wahrscheinlichkeit angeben, Spam zu sein, von 0.02 für Mom bis 0.97 für WIN NOW. Balken oberhalb einer gestrichelten Linie bei 0.5 sind rot: Spam

Wird eine Restaurantreservierung storniert? LogisticRegression lernt dies aus 60 vergangenen Reservierungen: Tage im Voraus gebucht und storniert (1) oder wahrgenommen (0):

Sechzig Reservierungen als Punkte bei 0 (wahrgenommen) und 1 (storniert) im Verhältnis zu den Tagen im Voraus, und eine orange S-Kurve, die von 0.07 auf 0.93 ansteigt. Sie zeigt 0.09 bei 3 Tagen und 0.72 bei 40 Tagen

from sklearn.linear_model import LogisticRegression

model = LogisticRegression(max_iter=1000)  # genügend Schritte, um das Lernen abzuschließen
model.fit(X, cancelled)  # X: Tage im Voraus, eine Spalte
print(np.round(model.predict_proba([[3], [40]]), 2))

Dies gibt Folgendes aus:

[[0.91 0.09]
 [0.28 0.72]]

Die Zeile jeder Buchung enthält die Wahrscheinlichkeit für Klasse 0 und dann für Klasse 1. [:, 1] behält die Wahrscheinlichkeiten für Klasse 1, also eine Stornierung.

Sie folgen einer S-Kurve: niemals unter 0 oder über 1, wie es bei Wahrscheinlichkeiten sein sollte.

Aufgabe

Mittel

Ein Drachenclub bucht drei Startzeitfenster für morgen. kites.csv enthält 90 frühere Starts: wind_kmh und flew, wobei 1 bedeutet, dass der Drachen abgehoben ist. Das Programm liest die vorhergesagte Windgeschwindigkeit für jedes Zeitfenster in slots ein.

Trainiere eine LogisticRegression (max_iter=1000) mit den Windgeschwindigkeiten.
Gib die Flugwahrscheinlichkeit für jedes Zeitfenster als ganze Prozentzahl aus.
Gib die erwartete Anzahl an Flügen aus: die Summe der Wahrscheinlichkeiten (1 Dezimalstelle).

Für einen anderen Club:

6 km/h: 9% chance the kite flies
18 km/h: 64% chance the kite flies
30 km/h: 97% chance the kite flies
Expected flights: 1.7 of 3

Probier es selbst

import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression

# 90 vergangene Startversuche: Windgeschwindigkeit in km/h und flew (1, wenn der Drachen abhob)
kites = pd.read_csv("kites.csv")
# Die drei Startzeitfenster für morgen, nach vorhergesagter Windgeschwindigkeit
winds = []
for i in range(3):
    winds.append(int(input()))
slots = pd.DataFrame({"wind_kmh": winds})

# Schreibe deinen Code unten