Supervised learning med Scikit-Learn
Byg og evaluer modeller til supervised learning, såsom lineær regression og klassifikation
Supervised learning med Scikit-Learn er en gratis Python For Kids-lektion på CoddyKit. Dette er lektion 2 af 6. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Python For Kids, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Python For Kids-kurset indeholder 6 lektioner i alt.
Overvåget læring med Scikit-Learn
Overvåget læring går ud på at træne en model med mærkede data for at lave forudsigelser eller klassificere datapunkter. Scikit-learn er et populært Python-bibliotek til implementering af modeller til overvåget læring.
I denne lektion lærer du, hvordan du opbygger og evaluerer modeller til overvåget læring ved hjælp af Scikit-learn.
Hvad er superviseret læring?
Superviseret læring bruger mærkede data, hvor hvert input har et tilsvarende output. Målet er at lære en mapping fra inputs til outputs.
Almindelige opgaver omfatter:
- Regression: Forudsigelse af kontinuerte værdier, f.eks. huspriser.
- Klassifikation: Forudsigelse af kategorier, f.eks. spam eller ikke-spam.
Opsætning af Scikit-Learn
Installér Scikit-learn med pip:
pip install scikit-learn
Når det er installeret, kan du importere det og begynde at opbygge modeller.
Lineær regression
Lineær regression bruges til at forudsige kontinuerte værdier. Lad os opbygge en enkel lineær regressionsmodel:
# Example: Linear Regression
from sklearn.linear_model import LinearRegression
# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]
model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))Logistisk regression
Logistisk regression bruges til binære klassifikationsopgaver, for eksempel til at afgøre, om en e-mail er spam eller ej.
# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression
# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]
model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))Beslutningstræer
Beslutningstræer er alsidige modeller, der kan håndtere både regressions- og klassifikationsopgaver. Lad os opbygge en simpel klassifikator med et beslutningstræ:
# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier
# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]
model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))Evaluering af modeller
Scikit-learn indeholder måltal til at evaluere modellens ydeevne:
- Gennemsnitlig kvadratisk fejl (MSE): Til regressionsmodeller.
- Nøjagtighed: Til klassifikationsmodeller.
# Example: Evaluating a model
from sklearn.metrics import mean_squared_error
# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))Opdeling i trænings- og testdata
Opdel altid dit datasæt i trænings- og testsæt, så du kan evaluere modellens ydeevne på data, den ikke har set før:
# Example: Train-Test Split
from sklearn.model_selection import train_test_split
X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)Almindelige fejl i superviseret læring
Her er nogle fejl, du bør undgå:
- Ikke at opdele data i trænings- og testsæt.
- At overtilpasse modellen ved at bruge unødigt komplekse algoritmer.
- At bruge dårligt mærkede data til træning.
Hvad har du lært?
I denne lektion har du lært:
- Hvordan du opbygger regressions- og klassifikationsmodeller ved hjælp af Scikit-learn.
- Hvordan du evaluerer modellens ydeevne ved hjælp af måltal som MSE og nøjagtighed.
- Hvor vigtigt det er at opdele data i trænings- og testsæt.
- Hvilke almindelige fejl du bør undgå i opgaver med overvåget læring.
Godt gået! Lad os gå videre til det næste emne.
Lær Python med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 22
- Lektioner
- 94
Ofte stillede spørgsmål
Er lektionen “Supervised learning med Scikit-Learn” gratis?
Ja — hele teksten til “Supervised learning med Scikit-Learn” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Python For Kids-kurset, skal du opgradere til CoddyKit PRO. Python For Kids-kurset indeholder 6 lektioner i alt.
Hvad lærer jeg i “Supervised learning med Scikit-Learn”?
Byg og evaluer modeller til supervised learning, såsom lineær regression og klassifikation Du øver dig i Python For Kids med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Python For Kids?
Der kræves ingen tidligere erfaring. Python For Kids på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 2 af 6.
Hvor lang tid tager lektionen “Supervised learning med Scikit-Learn”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Python For Kids-lektion?
Ja. Alle Python For Kids-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Introduktion til machine learning
- Supervised learning med Scikit-Learn
- Unsupervised learning
- Feature engineering og -udvælgelse
- Introduktion til neurale netværk
- Introduktion til TensorFlow og Keras