Что такое модель ML

Урок 3 из 19 курса Введение в машинное обучение на Coddy.

Модель машинного обучения стремится делать прогнозы на основе исторических данных. Чтобы делать это эффективно, модель должна понимать статистические свойства набора данных. Это понимание не может быть достигнуто простым предоставлением модели алгоритма или математической функции, описывающей распределение данных.

Вместо этого модель должна изучить эти свойства в процессе обучения. Кроме того, каждый набор данных обладает уникальными статистическими свойствами. Поэтому для каждого отдельного набора данных должна быть обучена отдельная модель.

Фаза обучения называется fitting или fit. После того как модель изучит распределение данных, мы можем подать ей новые данные, которые она никогда не видела, и предсказать результат; эта фаза называется predicting или predict.

Проверьте себя

В этом уроке есть небольшой тест. Начните урок, чтобы ответить на вопросы и сохранить прогресс.

Проверьте себя

В этом уроке есть небольшой тест. Начните урок, чтобы ответить на вопросы и сохранить прогресс.

Проверьте себя

В этом уроке есть небольшой тест. Начните урок, чтобы ответить на вопросы и сохранить прогресс.

Задание

Легко

В этом испытании мы создадим простейшую модель машинного обучения с учителем. Эта модель никак не используется в индустрии. Скорее, вся цель этой модели — продемонстрировать, как могла бы выглядеть реальная модель машинного обучения.

Создайте модель, которая возвращает наиболее частое значение y для соответствующих значений X.

Инструкции:

Метод fit подсчитывает для каждого X наиболее частое значение y и сохраняет результат в переменной self.mode
Например, для следующего набора данных:
<strong>X</strong> A B A A B
<strong>Y</strong> 1 1 0 1 1
self.mode должен содержать: {"A": 1, "B": 1}
Метод predict получает список X_test и возвращает список той же длины. Каждое значение в возвращаемом списке — это предсказанное значение y, соответствующее X, с использованием self.mode, изученного на этапе fit.
например, если self.mode содержит {"A": 1, "B": 1}, а X_train — это ['A', 'B', 'C'], то выходные данные должны быть: [1, 1, None]

Как пройти тест-кейсы:

Создайте функцию с именем train_and_predict, которая получает списки X_train, y_train и X_test. Она будет выполнять следующие шаги:

Обучение с использованием метода fit с X_train и y_train
предсказание меток для X_test
возврат предсказанных меток

Попробуйте сами

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

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

    def fit(self, X, y):
        # Напишите свой код здесь
        

    def predict(self, X):
        # Напишите свой код здесь

def train_and_predict(X_train, y_train, X_test):
    model = SimpleModel()
    # Обучите модель с использованием X_train и y_train
    
    # Предскажите метки для X_test
    
    # Верните предсказанные метки

Все уроки раздела Введение в машинное обучение

1Начало пути в ML

Введение в ML Данные для моделиЧто такое модель ML

4Алгоритм K-средних

Введение в K-средних Метод fit Метод predict

2Обзор машинного обучения

Обучение с учителем Обучение без учителя

5Наивный Байес

Введение в наивный байесовский классификатор Метод fit Метод predict

3Метод k ближайших соседей (KNN)

Введение в KNN Метод fit Метод predict

6Другие модели

Логистическая регрессия Линейная регрессия Дерево решений Метод опорных векторов (SVM)Тест по моделям

Потренируйтесь самостоятельно: Онлайн-компилятор Python

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