Uczenie nadzorowane z użyciem Scikit-Learn

Uczenie nadzorowane polega na trenowaniu modelu z użyciem danych z etykietami w celu tworzenia prognoz lub klasyfikowania punktów danych. Scikit-learn to popularna biblioteka języka Python służąca do implementowania modeli uczenia nadzorowanego.

W tej lekcji nauczą się Państwo, jak tworzyć i oceniać modele uczenia nadzorowanego za pomocą Scikit-learn.

Czym jest uczenie nadzorowane?

Uczenie nadzorowane wykorzystuje dane z etykietami, w których każdemu wejściu odpowiada określone wyjście. Celem jest nauczenie się odwzorowania wejść na wyjścia.

Typowe zadania obejmują:

• Regresja: Przewidywanie wartości ciągłych, na przykład cen domów.
• Klasyfikacja: Przewidywanie kategorii, na przykład tego, czy wiadomość jest spamem.

Konfiguracja Scikit-Learn

Zainstaluj Scikit-learn za pomocą pip:

pip install scikit-learn

Po zainstalowaniu można zaimportować bibliotekę i rozpocząć tworzenie modeli.

Regresja liniowa

Regresja liniowa służy do przewidywania wartości ciągłych. Proszę zbudować prosty model regresji liniowej:

# 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]]))

Regresja logistyczna

Regresja logistyczna służy do zadań klasyfikacji binarnej, takich jak określanie, czy wiadomość e-mail jest spamem.

# 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]]))

Drzewa decyzyjne

Drzewa decyzyjne to wszechstronne modele, które obsługują zarówno zadania regresji, jak i klasyfikacji. Proszę zbudować prosty klasyfikator drzewa decyzyjnego:

# 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]]))

Ocena modeli

Scikit-learn udostępnia metryki do oceny skuteczności modeli:

• Błąd średniokwadratowy (MSE): W przypadku modeli regresyjnych.
• Dokładność: W przypadku modeli klasyfikacyjnych.

# 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))

Podział na zbiór treningowy i testowy

Zawsze należy podzielić zbiór danych na zbiory treningowy i testowy, aby ocenić skuteczność modelu na nieznanych danych:

# 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)

Częste błędy w uczeniu nadzorowanym

Oto kilka błędów, których należy unikać:

• Niedzielenie danych na zbiory treningowy i testowy.
• Przeuczenie modelu wskutek użycia zbyt złożonych algorytmów.
• Używanie niedokładnie oznaczonych danych do trenowania.

Czego się nauczyliśmy?

W tej lekcji nauczyli się Państwo:

• Jak tworzyć modele regresji i klasyfikacji za pomocą Scikit-learn.
• Jak oceniać skuteczność modeli za pomocą metryk, takich jak MSE i dokładność.
• Jakie znaczenie ma dzielenie danych na zbiory treningowy i testowy.
• Jakich częstych błędów unikać podczas wykonywania zadań uczenia nadzorowanego.

Świetnie! Przejdźmy do kolejnego tematu.