Apprendimento supervisionato con Scikit-Learn
Costruisca e valuti modelli di apprendimento supervisionato, come la regressione lineare e la classificazione
Apprendimento supervisionato con Scikit-Learn è una lezione Python For Kids gratuita su CoddyKit. Questa è la lezione 2 di 6. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Python For Kids, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Python For Kids include 6 lezioni in totale.
Apprendimento supervisionato con Scikit-Learn
L'apprendimento supervisionato consiste nell'addestrare un modello utilizzando dati etichettati per formulare previsioni o classificare punti dati. Scikit-learn è una popolare libreria Python per implementare modelli di apprendimento supervisionato.
In questa lezione imparerà a creare e valutare modelli di apprendimento supervisionato utilizzando Scikit-learn.
Che cos'è l'apprendimento supervisionato?
L'apprendimento supervisionato utilizza dati etichettati, in cui ogni input ha un output corrispondente. L'obiettivo è apprendere una mappatura dagli input agli output.
Le attività comuni includono:
- Regressione: Prevedere valori continui, ad esempio i prezzi delle case.
- Classificazione: Prevedere categorie, ad esempio spam o non spam.
Configurazione di Scikit-Learn
Installi Scikit-learn utilizzando pip:
pip install scikit-learn
Una volta installato, può importarlo e iniziare a creare modelli.
Regressione lineare
La regressione lineare viene utilizzata per prevedere valori continui. Costruiamo un semplice modello di regressione lineare:
# 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]]))Regressione logistica
La regressione logistica viene utilizzata per attività di classificazione binaria, ad esempio per determinare se un'e-mail è spam oppure no.
# 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]]))Alberi decisionali
Gli alberi decisionali sono modelli versatili in grado di gestire sia attività di regressione sia di classificazione. Creiamo un semplice classificatore ad albero decisionale:
# 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]]))Valutazione dei modelli
Scikit-learn fornisce metriche per valutare le prestazioni dei modelli:
- Errore quadratico medio (MSE): per i modelli di regressione.
- Accuratezza: per i modelli di classificazione.
# 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))Suddivisione tra addestramento e test
Suddivida sempre il dataset in insiemi di addestramento e di test per valutare le prestazioni del modello su dati non ancora osservati:
# 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)Errori comuni nell’apprendimento supervisionato
Ecco alcuni errori da evitare:
- Non dividere i dati in set di addestramento e di test.
- Adattare eccessivamente il modello utilizzando algoritmi troppo complessi.
- Utilizzare dati etichettati in modo inaccurato per l’addestramento.
Che cosa abbiamo imparato?
In questa lezione ha imparato:
- Come creare modelli di regressione e classificazione utilizzando Scikit-learn.
- Come valutare le prestazioni dei modelli utilizzando metriche come MSE e accuratezza.
- L'importanza di suddividere i dati in insiemi di addestramento e di test.
- Gli errori comuni da evitare nelle attività di apprendimento supervisionato.
Ottimo lavoro! Passiamo al prossimo argomento.
Domande Frequenti
La lezione «Apprendimento supervisionato con Scikit-Learn» è gratuita?
Sì — il testo completo di «Apprendimento supervisionato con Scikit-Learn» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Python For Kids, passa a CoddyKit PRO. Il corso Python For Kids include 6 lezioni in totale.
Cosa imparerò in «Apprendimento supervisionato con Scikit-Learn»?
Costruisca e valuti modelli di apprendimento supervisionato, come la regressione lineare e la classificazione Eserciti Python For Kids con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Python For Kids?
Non è richiesta alcuna esperienza precedente. Python For Kids su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 2 di 6.
Quanto tempo richiede la lezione «Apprendimento supervisionato con Scikit-Learn»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Python For Kids?
Sì. Ogni lezione Python For Kids include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Introduzione al machine learning
- Apprendimento supervisionato con Scikit-Learn
- Apprendimento non supervisionato
- Feature engineering e selezione delle feature
- Introduzione alle reti neurali
- Introduzione a TensorFlow e Keras