Apprendre à partir d’exemples
Fait partie de la section Apprentissage supervisé du Journey Machine Learning de Coddy. Leçon 1 sur 58.
Passons aux vrais modèles. Un modèle étudie des lignes étiquetées, composées de caractéristiques et d’une étiquette, et apprend à étiqueter de nouvelles lignes : apprentissage supervisé. Des graines étiquetées en entrée, une carte en sortie :
Une variété est une catégorie : il s’agit donc de classification : le modèle trace des frontières. Une étiquette numérique, comme le poids d’un melon, correspond à la régression : le modèle apprend une ligne.
De quel type ? .nunique() compte les différentes valeurs d’une étiquette : une catégorie se répète quelques fois, un nombre se répète rarement.
seeds = pd.read_csv("seeds.csv")
print(seeds["variety"].nunique())Cela affiche 3 : une classification.
Défi
FacileUn magasin de trottinettes électriques d’occasion pourrait prédire n’importe quelle colonne de scooters.csv. Lesquelles relèveraient de la classification et lesquelles de la régression ? Le programme lit un nom de colonne dans label.
- Compte les différentes valeurs de la colonne.
- Affiche-les comme ci-dessous, avec le nombre de trottinettes.
- Affiche
A category: classifications’il y a au plus 10 valeurs différentes, sinonA number: regression.
Pour un autre magasin et la colonne brand :
brand: 7 different values in 50 scooters
A category: classificationEssayez vous-même
import pandas as pd
scooters = pd.read_csv("scooters.csv")
label = input()
# Écrivez votre code ci-dessous
Testez-vousCette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.
Toutes les leçons de Apprentissage supervisé
1Votre premier modèle
Apprendre à partir d’exemplesJeux d’entraînement et de testAjuster et prédireÉvaluer un modèleRécapitulatif : trieur de graines4Régression logistique
Prédictions oui ou nonLe seuil de décisionLes poids comme indicesPlusieurs classesRécapitulatif : filtre anti-spam2Plus proches voisins
Comment k-NN prend ses décisionsChoisir kFrontières de décisionMettre les voisins à l’échelleRécapitulatif : voisins et vin5Évaluer les classificateurs
La matrice de confusionPrécision et rappelLe score F1Classes déséquilibréesCourbes ROCRécapitulatif : test de dépistage8Validation croisée
Validation K-foldComparer les modèles équitablementRecherche par grilleRécapitulatif : réparations de skateboard11Projet : espèces de manchots
À la rencontre des manchotsPréparer les donnéesChoisir un modèleOptimiser le modèle gagnantDéployer le modèle3Régression linéaire
Prédire des nombresPlusieurs caractéristiquesMesurer les erreursGraphiques des résidusRécapitulatif : locations de vélos6Arbres de décision
Les arbres posent des questionsLire un arbreProfondeur de l’arbreImportance des caractéristiquesRécapitulatif : décisions de prêtEntraînez-vous par vous-même : Compilateur Python en ligne