Pembelajaran Diselia dengan Scikit-Learn
Bina dan nilai model pembelajaran diselia seperti regresi linear dan pengelasan
Pembelajaran Diselia dengan Scikit-Learn ialah pelajaran Python For Kids percuma di CoddyKit. Ini ialah pelajaran 2 daripada 6. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Python For Kids, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Python For Kids merangkumi sejumlah 6 pelajaran.
Pembelajaran Diselia dengan Scikit-Learn
Pembelajaran diselia melibatkan latihan model menggunakan data berlabel untuk membuat ramalan atau mengelaskan titik data. Scikit-learn ialah pustaka Python yang popular untuk melaksanakan model pembelajaran diselia.
Dalam pelajaran ini, anda akan mempelajari cara membina dan menilai model pembelajaran diselia menggunakan Scikit-learn.
Apakah Pembelajaran Diselia?
Pembelajaran diselia menggunakan data berlabel, yang setiap inputnya mempunyai output yang sepadan. Matlamatnya adalah untuk mempelajari pemetaan daripada input kepada output.
Tugas yang lazim termasuk:
- Regresi: Meramalkan nilai berterusan, contohnya harga rumah.
- Pengelasan: Meramalkan kategori, contohnya spam atau bukan spam.
Menyediakan Scikit-Learn
Pasang Scikit-learn menggunakan pip:
pip install scikit-learn
Selepas dipasang, anda boleh mengimportnya dan mula membina model.
Linear Regression
Regresi linear digunakan untuk meramalkan nilai berterusan. Mari bina model regresi linear yang ringkas:
# 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]]))Regresi Logistik
Regresi logistik digunakan untuk tugas pengelasan binari, seperti menentukan sama ada e-mel ialah spam atau bukan.
# 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]]))Pepohon Keputusan
Pepohon keputusan ialah model serba guna yang boleh mengendalikan tugas regresi dan pengelasan. Mari bina pengelas pepohon keputusan yang ringkas:
# 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]]))Menilai Model
Scikit-learn menyediakan metrik untuk menilai prestasi model:
- Ralat Kuasa Dua Min (MSE): Untuk model regresi.
- Ketepatan: Untuk model pengelasan.
# 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))Pemisahan Latihan-Ujian
Sentiasa bahagikan set data anda kepada set latihan dan ujian untuk menilai prestasi model pada data yang belum dilihat:
# 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)Kesilapan Lazim dalam Pembelajaran Berpandu
Berikut ialah beberapa kesilapan yang perlu dielakkan:
- Tidak membahagikan data kepada set latihan dan ujian.
- Terlebih padan pada model dengan menggunakan algoritma yang terlalu rumit.
- Menggunakan data berlabel buruk untuk latihan.
Apakah yang Kita Pelajari?
Dalam pelajaran ini, anda telah mempelajari:
- Cara membina model regresi dan pengelasan menggunakan Scikit-learn.
- Cara menilai prestasi model menggunakan metrik seperti MSE dan ketepatan.
- Kepentingan membahagikan data kepada set latihan dan ujian.
- Kesilapan lazim yang perlu dielakkan dalam tugas pembelajaran diselia.
Syabas! Mari beralih ke topik seterusnya.
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 22
- Pelajaran
- 94
Soalan Lazim
Adakah pelajaran “Pembelajaran Diselia dengan Scikit-Learn” percuma?
Ya — teks penuh “Pembelajaran Diselia dengan Scikit-Learn” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Python For Kids, tingkat taraf kepada CoddyKit PRO. Kursus Python For Kids merangkumi sejumlah 6 pelajaran.
Apakah yang akan saya pelajari dalam “Pembelajaran Diselia dengan Scikit-Learn”?
Bina dan nilai model pembelajaran diselia seperti regresi linear dan pengelasan Anda berlatih Python For Kids menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Python For Kids?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Python For Kids di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 2 daripada 6.
Berapa lamakah pelajaran “Pembelajaran Diselia dengan Scikit-Learn” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Python For Kids ini?
Ya. Setiap pelajaran Python For Kids menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Pengenalan kepada Pembelajaran Mesin
- Pembelajaran Diselia dengan Scikit-Learn
- Pembelajaran Tanpa Seliaan
- Kejuruteraan dan Pemilihan Ciri
- Pengenalan kepada Rangkaian Neural
- Pengenalan kepada TensorFlow dan Keras