Машинное обучение великолепно. Вы можете использовать данные, которые у вас уже есть, и создавать все виды приложений.
Почему данные? Алгоритмы машинного обучения используют данные. Без данных нет машинного обучения. Так что вы можете сделать с данными?
Одним из примеров является предсказания. Трудно сделать интеллектуальные машины, если алгоритм запрограммирован, потому что количество возможных ситуаций больше, чем время программистов.
Таким образом, вам нужно использовать данные и тренировать алгоритм. Модуль Sklearn популярен для создания приложений для машинного обучения.
О, Блейми! Делать записи
Алгоритм машинного обучения
Сначала загрузите данные. Скажем, у вас есть данные в формате CSV. Набор данных диабета индейцев PIMA
Я взял индийский диабет. Но принцип работает с любым набором данных. Загрузите это:
#!/usr/bin/python3 # load the CSV file as a numpy matrix dataset = np.loadtxt("./pima-indians-diabetes.csv", delimiter=",") # separate the data from the target attributes X = dataset[:,0:7] y = dataset[:,8]
Итак, у вас есть x и y. Вам нужно использовать алгоритм, который использует эти данные и делает прогнозы
model = LogisticRegression() model.fit(X, y)
Что подходит? FIT – это алгоритм, обучающийся данным. В порядке. Тогда вы можете сделать прогнозы:
expected = y predicted = model.predict(X)
Поскольку вы знаете ожидаемый и прогнозируемый, вы можете измерить, насколько хорошо предсказаны алгоритмы.
Запустить приложение
Поскольку у нас есть X и Y, вы можете видеть, насколько хорошо работает предиктор.
#!/usr/bin/python3 from sklearn import metrics from sklearn.linear_model import LogisticRegression import numpy as np # load the CSV file as a numpy matrix dataset = np.loadtxt("./pima-indians-diabetes.csv", delimiter=",") # separate the data from the target attributes X = dataset[:,0:7] y = dataset[:,8] # make predictions expected = y predicted = model.predict(X) # summarize the fit of the model print('RESULT') print(metrics.classification_report(expected, predicted)) print('CONFUSION MATRIX')
Это было весело!
Ссылки по теме:
- Курс машинного обучения и примеры
- Блог Python Machine Learning
- Модуль машинного обучения Sklearn
- Почему Python для машинного обучения
Оригинал: “https://dev.to/petercour/python-machine-learning-fun-17g4”