Ohjattu oppiminen Scikit-Learnilla
Rakentakaa ja arvioikaa ohjatun oppimisen malleja, kuten lineaarisen regression ja luokittelumalleja
Ohjattu oppiminen Scikit-Learnilla on ilmainen Python For Kids-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 For Kids-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Python For Kids-kurssilla on yhteensä 6 oppituntia.
Ohjattu oppiminen Scikit-Learnilla
Ohjatussa oppimisessa malli opetetaan merkittyjen tietojen avulla ennusteiden tekemistä tai tietopisteiden luokittelua varten. Scikit-learn on suosittu Python-kirjasto ohjattujen oppimismallien toteuttamiseen.
Tässä oppitunnissa opitte rakentamaan ja arvioimaan ohjattuja oppimismalleja Scikit-learnin avulla.
Mitä on ohjattu oppiminen?
Ohjatussa oppimisessa käytetään merkittyä dataa, jossa jokaista syötettä vastaa tietty 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 viesti.
Scikit-Learnin käyttöönotto
Asentakaa Scikit-learn pipin avulla:
pip install scikit-learn
Kun kirjasto on asennettu, voitte tuoda sen ohjelmaan ja aloittaa mallien rakentamisen.
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 mallien suorituskyvyn arviointiin:
- Mean Squared Error (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))Opetus- ja testijoukon jako
Jakakaa tietojoukko aina opetus- ja testijoukoiksi, jotta voitte arvioida mallin suorituskykyä aiemmin näkemättömillä tiedoilla:
# 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)Ohjatun oppimisen yleiset virheet
Välttäkää seuraavia virheitä:
- Datan jakamatta jättäminen koulutus- ja testijoukoiksi.
- Liian monimutkaisten algoritmien käyttäminen, mikä johtaa mallin ylisovittamiseen.
- Huonosti merkittyjen tietojen käyttäminen koulutuksessa.
Mitä opimme?
Tässä oppitunnissa opitte:
- Rakentamaan regressio- ja luokittelumalleja Scikit-learnin avulla.
- Arvioimaan mallin suorituskykyä MSE:n ja tarkkuuden kaltaisilla mittareilla.
- Tietojen jakamisen tärkeyden opetus- ja testijoukoiksi.
- Yleiset virheet, joita ohjatuissa oppimistehtävissä tulee välttää.
Hienoa työtä! Siirrytään seuraavaan aiheeseen.
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
- 22
- Oppitunnit
- 94
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 For Kids-kurssin, päivitä CoddyKit PROhon. Python For Kids-kurssilla on yhteensä 6 oppituntia.
Mitä opin oppitunnilla ”Ohjattu oppiminen Scikit-Learnilla”?
Rakentakaa ja arvioikaa ohjatun oppimisen malleja, kuten lineaarisen regression ja luokittelumalleja Harjoittelet Python For Kids-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Python For Kids-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Python For Kids-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 For Kids-oppitunnilla?
Kyllä. Jokainen Python For Kids-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
- Johdatus koneoppimiseen
- Ohjattu oppiminen Scikit-Learnilla
- Ohjaamaton oppiminen
- Piirteiden muodostaminen ja valinta
- Johdatus neuroverkkoihin
- Johdatus TensorFlow’hun ja Kerasiin