Wdróż model

Część sekcji Uczenie nadzorowane ścieżki Machine Learning w Coddy. Lekcja 54 z 58.

Pingwiny testowe czekały przez cały projekt. Dopasuj dostrojony potok do wierszy treningowych, a następnie oceń go raz na pingwinach testowych: to uczciwy wynik.

Następnie zobacz, gdzie model się myli. Model kliniki klasyfikuje pacjentów jako zdrowych, przeziębionych lub chorych na grypę; wiersze przedstawiają prawdę, a kolumny — jego przewidywania:

Macierz pomyłek 3 na 3 dla modelu kliniki, przetestowanego na 60 pacjentach: zdrowi, przeziębieni i chorzy na grypę; na przekątnej znajdują się 20, 14 i 17 poprawnych odpowiedzi, a 5 przypadków przeziębienia zaklasyfikowano jako grypę

Nowy pingwin to tabela z jednym wierszem i kolumnami treningowymi. predict podaje jego nazwę, a predict_proba(new).max() określa pewność: udział zwycięskiej klasy, a w przypadku k-NN — sąsiadów, którzy się zgadzają.

Wyzwanie

Średni

Meta. model to dostrojony potok; kod początkowy wczytuje nowego pingwina do new_penguin.

Dopasuj model do wierszy treningowych. Wypisz jego dokładność na zbiorze testowym (3 miejsca po przecinku) oraz liczbę pingwinów testowych, które poprawnie sklasyfikował.
Narysuj macierz pomyłek dla predykcji testowych na ax i wyświetl ją.
Podaj gatunek nowego pingwina i pewność modelu wyrażoną w procentach.

Dla kolonii na innej stacji:

Test accuracy: 0.960 (72 of 75 penguins)
New penguin: Gentoo (86% sure)

a jej macierz:

Macierz pomyłek zatytułowana Test Penguins dla innej stacji: 29 pingwinów Adélie, 16 pingwinów maskowych i 27 pingwinów białobrewych poprawnie sklasyfikowanych, 1 pingwin Adélie nazwany pingwinem maskowym i 2 pingwiny maskowe nazwane pingwinami Adélie

Następnie Coddy pokaże twój wynik. Gwiazda z Meet the Penguins miała wymiary 47.2, 18.0, 194 i 3650, na Dream, samica. Uruchom swój program z jej danymi: kim jest?

Spróbuj swoich sił

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import make_pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import ConfusionMatrixDisplay

# Kolonia z Meet the Penguins, jej cechy i etykieta
penguins = pd.read_csv("penguins.csv")
numbers = ["bill_length_mm", "bill_depth_mm", "flipper_length_mm", "body_mass_g"]
text = ["island", "sex"]
X = penguins[numbers + text]
y = penguins["species"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, stratify=y, random_state=0)

# Z Prepare the Data: dwa tory
number_steps = make_pipeline(SimpleImputer(strategy="median"), StandardScaler())
text_steps = make_pipeline(SimpleImputer(strategy="constant", fill_value="unknown"), OneHotEncoder())
prep = ColumnTransformer([("numbers", number_steps, numbers), ("words", text_steps, text)])

# Z Choose a Model and Tune the Winner: k-NN z k = 7
model = make_pipeline(prep, KNeighborsClassifier(n_neighbors=7))

# Nowy pingwin z terenu, przedstawiony jako jednowierszowa tabela z tymi samymi kolumnami
new_penguin = pd.DataFrame({
    "bill_length_mm": [float(input())],
    "bill_depth_mm": [float(input())],
    "flipper_length_mm": [float(input())],
    "body_mass_g": [float(input())],
    "island": [input()],
    "sex": [input()],
})

fig, ax = plt.subplots()
ax.set_title("Test Penguins")

# Napisz swój kod poniżej