У вас есть данные? Машинное обучение позволяет вам играть с данными. В этой статье мы будем использовать Python ( Почему Python для машинного обучения )
Данные могут быть классифицированы с алгоритмами. Таким образом, первое, что вам нужно, это данные. Вы можете измерить объекты и собирать данные об этом.
Например, предположим, что у вас есть эти измерения. (2 значения для каждого измерения).
Из этого взгляда это явно 2 класса. Алгоритм может найти эти два класса.
Затем вы можете предсказать класс, учитывая два новых измерения. Итак, как вы знаете, насколько хорошо работает алгоритм? Это точнее?
Вы можете разделить данные, установленные в учебный набор и тестовый набор. Затем вы можете запустить алгоритм и измерить вывод. Как пример ниже:
#!/usr/bin/python3
from sklearn import preprocessing
from sklearn.model_selection import train_test_split
from sklearn.datasets.samples_generator import make_classification
from sklearn.svm import SVC
import matplotlib.pyplot as plt
X,y = make_classification(n_samples=600,n_features=2,n_redundant=0,n_informative=2,
random_state=2020,n_clusters_per_class=1,scale=100)
plt.scatter(X[:,0],X[:,1],c='black')
plt.show()
plt.scatter(X[:,0],X[:,1],c=y)
plt.show()
X = preprocessing.scale(X)
X_train, X_test,y_train,y_test = train_test_split(X, y, test_size=0.3)
clf = SVC()
clf.fit(X_train, y_train)
print(clf.score(X_test, y_test))
Ссылки по теме:
Оригинал: “https://dev.to/petercour/machine-learning-classification-explanation-29bj”