Python Academy · Oppitunti

Ohjattu oppiminen Scikit-Learnilla

Rakentakaa ja arvioikaa ohjatun oppimisen malleja, kuten lineaarista regressiota ja luokittelua.

Oppitunti 2/611 vaihetta

Ohjattu oppiminen Scikit-Learnilla on ilmainen Python Academy-oppitunti CoddyKitissä. Tämä on oppitunti 2/6. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Python Academy-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Python Academy-kurssilla on yhteensä 6 oppituntia.

Ohjattu oppiminen Scikit-Learnilla

Ohjatussa oppimisessa malli koulutetaan labeloidun datan avulla ennusteiden tekemistä tai datapisteiden luokittelua varten. Scikit-learn on suosittu Python-kirjasto ohjattujen oppimismallien toteuttamiseen.

Tässä oppitunnissa opitte rakentamaan ja arvioimaan ohjatun oppimisen malleja Scikit-learnin avulla.

Ohjattu oppiminen Scikit-Learnilla — kuvitus 1

Mitä ohjattu oppiminen on?

Ohjatussa oppimisessa käytetään labeloitua dataa, jossa jokaisella syötteellä on vastaava tuloste. Tavoitteena on oppia syötteiden ja tulosteiden välinen yhteys.

Yleisiä tehtäviä ovat:

Regressio: Jatkuvien arvojen ennustaminen, esimerkiksi asuntojen hinnat.
Luokittelu: Luokkien ennustaminen, esimerkiksi roskaposti tai muu sähköposti.

Scikit-Learnin käyttöönotto

Asentakaa Scikit-learn pipillä:

pip install scikit-learn

Kun kirjasto on asennettu, voitte tuoda sen ja alkaa rakentaa malleja.

Lineaarinen regressio

Lineaarista regressiota käytetään jatkuvien arvojen ennustamiseen. Rakennetaan yksinkertainen lineaarinen regressiomalli:

# 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]]))

Logistinen regressio

Logistista regressiota käytetään binäärisiin luokittelutehtäviin, kuten sen määrittämiseen, onko sähköposti roskapostia vai ei.

# 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]]))

Päätöspuut

Päätöspuut ovat monipuolisia malleja, jotka soveltuvat sekä regressio- että luokittelutehtäviin. Rakennetaan yksinkertainen päätöspuuluokitin:

# 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]]))

Mallien arviointi

Scikit-learn tarjoaa mittareita mallin suorituskyvyn arviointiin:

Keskimääräinen neliövirhe (MSE): Regressiomalleille.
Tarkkuus: Luokittelumalleille.

# 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))

Koulutus- ja testijoukon jako

Jakakaa tietoaineisto aina koulutus- ja testijoukkoihin, jotta voitte arvioida mallin suorituskykyä aiemmin näkemättömällä datalla:

# 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)

Yleisiä virheitä ohjatussa oppimisessa

Välttäkää seuraavia virheitä:

Dataa ei jaeta koulutus- ja testijoukkoihin.
Malli ylisovitetaan käyttämällä liian monimutkaisia algoritmeja.
Koulutukseen käytetään puutteellisesti labeloitua dataa.

Mitä opitte?

Tässä oppitunnissa opitte:

Miten regressio- ja luokittelumalleja rakennetaan Scikit-learnin avulla.
Miten mallin suorituskykyä arvioidaan MSE:n ja tarkkuuden kaltaisilla mittareilla.
Miksi data on tärkeää jakaa koulutus- ja testijoukkoihin.
Yleiset virheet, joita ohjatuissa oppimistehtävissä tulee välttää.

Hienoa työtä! Siirrytään seuraavaan aiheeseen.

Ohjattu oppiminen Scikit-Learnilla — kuvitus 11

Aloita maksutta

Opi Python tekoälytuutorin avulla — ilmaiseksi

Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.

Kurssit: 76
Oppitunnit: 320

Aloita opiskelu maksutta Näytä koko kurssi

Usein kysytyt kysymykset

Onko oppitunti ”Ohjattu oppiminen Scikit-Learnilla” ilmainen?

Kyllä – oppitunnin ”Ohjattu oppiminen Scikit-Learnilla” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Python Academy-kurssin, päivitä CoddyKit PROhon. Python Academy-kurssilla on yhteensä 6 oppituntia.

Mitä opin oppitunnilla ”Ohjattu oppiminen Scikit-Learnilla”?

Rakentakaa ja arvioikaa ohjatun oppimisen malleja, kuten lineaarista regressiota ja luokittelua. Harjoittelet Python Academy-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.

Tarvitsenko kokemusta aloittaakseni Python Academy-opiskelun?

Aiempi kokemus ei ole tarpeen. CoddyKitin Python Academy-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 2/6.

Kuinka kauan ”Ohjattu oppiminen Scikit-Learnilla”-oppitunnin suorittaminen kestää?

Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.

Voinko kirjoittaa ja suorittaa koodia tällä Python Academy-oppitunnilla?

Kyllä. Jokainen Python Academy-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.

Kaikki tämän kurssin oppitunnit

← Takaisin: Python Academy