Обучение на примерах

Часть раздела Обучение с учителем путешествия по Machine Learning на Coddy. Урок 1 из 58.

Пора перейти к настоящим моделям. Модель изучает размеченные строки — признаки и метку — и учится присваивать метки новым строкам: обучение с учителем. На входе размеченные семена, на выходе — карта:

Две диаграммы для 180 семян пшеницы: площадь отложена по горизонтали, длина бороздки — по вертикали. Слева — размеченные семена в трёх группах: Kama, Rosa и Canadian. Справа — те же семена на карте, разделённой на три области, по одной для каждого сорта

Сорт — это категория, поэтому это классификация: модель проводит границы. Числовая метка, например вес арбуза, — это регрессия: модель обучается проводить линию.

30 арбузов в виде зелёных точек: длина в см по горизонтали, вес в кг по вертикали, через точки проходит восходящая оранжевая линия. Новый арбуз длиной 32 см лежит на линии примерно на отметке 6,2 кг

Какой тип? .nunique() считает различные значения метки: категория повторяется несколько раз, число редко повторяется.

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

Это выводит 3: классификацию.

Задание

Легко

Магазин подержанных электросамокатов мог бы предсказывать значение любого столбца в scooters.csv. В каком случае это будет классификация, а в каком — регрессия? Программа считывает название столбца в label.

Посчитай количество различных значений в столбце.
Выведи их, как показано ниже, вместе с количеством самокатов.
Выведи A category: classification, если различных значений не больше 10, иначе выведи A number: regression.

Для другого магазина и столбца brand:

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

Попробуйте сами

import pandas as pd

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

# Напишите свой код ниже

Проверьте себя

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

Все уроки раздела Обучение с учителем

1Ваша первая модель

Обучение на примерахОбучающая и тестовая выборки Обучение и предсказание Оценка модели Повторение: сортировщик семян

4Логистическая регрессия

Предсказания «да» или «нет»Порог принятия решения Веса как свидетельства Несколько классов Повторение: спам-фильтр

7Переобучение

Недообучение и переобучение Кривые обучения Регуляризация Проверочные выборки Повторение: настройка дерева

10Конвейеры

Конвейеры Смешанные столбцы Заполнение пропусков в конвейере Настройка конвейера Повторение: очистка данных и прогнозирование

2Метод ближайших соседей

Как работает k-NN Выбор k Границы принятия решений Масштабирование признаков для поиска соседей Повторение: соседи для вин

5Оценка классификаторов

Матрица ошибок Точность и полнота F1-мера Несбалансированные классы ROC-кривые Повторение: скрининговый тест

8Кросс-валидация

K-блочная проверка Справедливое сравнение моделей Поиск по сетке Повторение: ремонт скейтбордов

11Проект: виды пингвинов

Знакомство с пингвинами Подготовка данных Выбор модели Настройка лучшей модели Запуск модели

3Линейная регрессия

Предсказание чисел Несколько признаков Оценка ошибок Графики остатков Повторение: прокат велосипедов

6Деревья решений

Деревья задают вопросы Как читать дерево Глубина дерева Важность признаков Повторение: решения по кредитам

9Ансамбли

Случайные леса Почему работают леса Градиентный бустинг Повторение: лесной рейнджер

12Итоговые задания

Прогресс при диабете Одобрение кредита Рукописные цифры Отток клиентов

Потренируйтесь самостоятельно: Онлайн-компилятор Python