Qu’est-ce qu’un modèle de ML ?

Leçon 3 sur 19 du cours Introduction à l’apprentissage automatique de Coddy.

Un modèle d'apprentissage automatique vise à faire des prédictions basées sur des données historiques. Pour ce faire efficacement, le modèle doit comprendre les propriétés statistiques du jeu de données. Cette compréhension ne peut être atteinte en fournissant simplement au modèle un algorithme ou une fonction mathématique qui décrit la distribution des données.

Au lieu de cela, le modèle doit apprendre ces propriétés par l'entraînement. De plus, chaque jeu de données possède des propriétés statistiques uniques. Par conséquent, un modèle distinct doit être entraîné pour chaque jeu de données différent.

La phase d'apprentissage est appelée fitting ou fit. Une fois que le modèle a appris la distribution des données, nous pouvons lui fournir de nouvelles données qu'il n'a jamais vues et prédire son résultat, cette phase est appelée predicting ou predict.

Testez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Testez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Testez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Défi

Facile

Nous allons créer le modèle d'apprentissage automatique supervisé le plus simple dans ce défi. Ce modèle n'est aucunement utilisé dans l'industrie. L'objectif de ce modèle est plutôt de démontrer à quoi ressemblerait un véritable modèle d'apprentissage automatique.

Créez un modèle qui renvoie la valeur y la plus fréquente pour les valeurs X correspondantes.

Instructions :

La méthode fit compte pour chaque X le y le plus fréquent et stocke le résultat dans la variable self.mode
Par exemple pour le jeu de données suivant :
<strong>X</strong> A B A A B
<strong>Y</strong> 1 1 0 1 1
self.mode devrait contenir : {"A": 1, "B": 1}
La méthode predict reçoit une liste de X_test et renvoie une liste de la même longueur. Chaque valeur de la liste renvoyée est le y prédit correspondant à X, en utilisant le self.mode appris lors de la phase fit.
par exemple si self.mode contient {"A": 1, "B": 1} et que X_train est ['A', 'B', 'C'] alors la sortie devrait être : [1, 1, None]

Comment réussir les cas de test :

Créez une fonction nommée train_and_predict qui reçoit les listes X_train, y_train, et X_test. Elle suivra les étapes suivantes :

Apprendre en utilisant la méthode fit avec X_train et y_train
prédire les étiquettes de X_test
renvoyer les étiquettes prédites

Essayez vous-même

import numpy as np
np.set_printoptions(legacy='1.13')

class SimpleModel:
    def __init__(self):
        self.mode = {}

    def fit(self, X, y):
        # Écrivez votre code ici
        

    def predict(self, X):
        # Écrivez votre code ici

def train_and_predict(X_train, y_train, X_test):
    model = SimpleModel()
    # Entraîner le modèle avec X_train et y_train
    
    # Prédire les étiquettes de X_test
    
    # Retourner les étiquettes prédites

Toutes les leçons de Introduction à l’apprentissage automatique

1Le début du parcours en ML

Introduction au ML Les données à fournir à un modèleQu’est-ce qu’un modèle de ML ?

4Algorithme K-Means

Introduction à K-Means méthode fit méthode predict

2Présentation du machine learning

Apprentissage supervisé Apprentissage non supervisé

5Naive Bayes

Introduction à Naive Bayes méthode fit méthode predict

3K plus proches voisins (KNN)

Introduction à KNN Méthode fit Méthode predict

6Autres modèles

Régression logistique Régression linéaire Arbre de décision Machine à vecteurs de support (SVM)Quiz sur les modèles

Entraînez-vous par vous-même : Compilateur Python en ligne

`<strong>X</strong>`	A	B	A	A	B
`<strong>Y</strong>`	1	1	0	1	1