Aprendendo com exemplos

Parte da seção Aprendizado supervisionado do Journey de Machine Learning da Coddy. Lição 1 de 58.

Hora de usar modelos de verdade. Um modelo estuda linhas rotuladas, recursos mais um rótulo, e aprende a rotular novas linhas: aprendizado supervisionado. Sementes rotuladas entram, um mapa sai:

Dois gráficos de 180 sementes de trigo, área no eixo horizontal e comprimento do sulco no eixo vertical. À esquerda, as sementes rotuladas em três grupos: Kama, Rosa e Canadian. À direita, as mesmas sementes em um mapa dividido em três regiões sombreadas, uma para cada variedade

Uma variedade é uma categoria, então isso é classificação: o modelo traça fronteiras. Um rótulo numérico, como o peso de um melão, é regressão: o modelo aprende uma linha.

30 melancias representadas como pontos verdes, com o comprimento em cm no eixo horizontal e o peso em kg no eixo vertical, e uma linha laranja ascendente passando por elas. Um novo melão de 32 cm fica sobre a linha, em cerca de 6.2 kg

Que tipo? .nunique() conta os valores diferentes de um rótulo: uma categoria se repete algumas vezes, um número raramente se repete.

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

Isso imprime 3: uma classificação.

Desafio

Fácil

Uma loja de scooters elétricas usadas poderia prever qualquer coluna de scooters.csv. Qual seria classificação e qual seria regressão? O programa lê o nome de uma coluna em label.

Conte os valores distintos da coluna.
Imprima-os como abaixo, junto com o número de scooters.
Imprima A category: classification para no máximo 10 valores distintos; caso contrário, A number: regression.

Para outra loja e a coluna brand:

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

Experimente você mesmo

import pandas as pd

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

# Escreva seu código abaixo

Teste seus conhecimentos

Esta lição inclui um quiz rápido. Comece a lição para respondê-lo e acompanhar seu progresso.

Todas as lições de Aprendizado supervisionado

1Seu primeiro modelo

Aprendendo com exemplosConjuntos de treino e teste Ajustar e prever Avaliar um modelo Recapitulação: classificador de sementes

4Regressão logística

Previsões de sim ou não O limiar de decisão Pesos como evidências Várias classes Revisão: filtro de spam

7Sobreajuste

Subajuste e sobreajuste Curvas de aprendizado Regularização Conjuntos de validação Revisão: ajustando uma árvore

10Pipelines

Pipelines Colunas mistas Imputação em um pipeline Ajustando um pipeline Revisão: limpar e prever

2Vizinhos Mais Próximos

Como o k-NN Decide Escolhendo k Limites de Decisão Escalonamento para Vizinhos Revisão: Vizinhos do Vinho

5Avaliando Classificadores

A Matriz de Confusão Precisão e Revocação A Pontuação F1 Classes Desbalanceadas Curvas ROC Recapitulação: Teste de Triagem

8Validação Cruzada

Validação K-Fold Comparando Modelos de Forma Justa Busca em Grade Revisão: Consertos de Skate

11Projeto: Espécies de Pinguins

Conheça os Pinguins Prepare os Dados Escolha um Modelo Ajuste o Vencedor Coloque o Modelo em Produção

3Regressão Linear

Prevendo números Várias características Medindo erros Gráficos de resíduos Revisão: aluguel de bicicletas

6Árvores de Decisão

Árvores fazem perguntas Lendo uma árvore Profundidade da árvore Importância das características Revisão: decisões de empréstimo

9Métodos ensemble

Florestas aleatórias Por que as florestas funcionam Boosting de gradiente Revisão: Guarda-florestal

12Desafios Finais

Evolução do Diabetes Aprovação de Crédito Dígitos Manuscritos Cancelamento de Clientes

Pratique por conta própria: Compilador de Python online