Python For Kids · Lekcja

Uczenie nadzorowane z Scikit-Learn

Twórz i oceniaj modele uczenia nadzorowanego, takie jak regresja liniowa i klasyfikacja.

Uczenie nadzorowane z Scikit-Learn to bezpłatna lekcja Python For Kids na CoddyKit. To lekcja 2 z 6. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Python For Kids, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Python For Kids zawiera 6 lekcji w sumie.

Uczenie nadzorowane z użyciem Scikit-Learn

Uczenie nadzorowane polega na trenowaniu modelu z użyciem oznaczonych danych 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 tworzyć i oceniać modele uczenia nadzorowanego za pomocą Scikit-learn.

Uczenie nadzorowane z Scikit-Learn — ilustracja 1

Czym jest uczenie nadzorowane?

Uczenie nadzorowane wykorzystuje oznaczone dane, w których każdemu wejściu odpowiada określone wyjście. Celem jest nauczenie odwzorowania danych wejściowych na wyjściowe.

Typowe zadania obejmują:

Regresja: przewidywanie wartości ciągłych, np. cen domów.
Klasyfikacja: przewidywanie kategorii, np. spam lub brak spamu.

Konfiguracja Scikit-Learn

Zainstaluj Scikit-learn za pomocą pip:

pip install scikit-learn

Po instalacji można zaimportować bibliotekę i rozpocząć tworzenie modeli.

Regresja liniowa

Regresja liniowa służy do przewidywania wartości ciągłych. Zbudujmy 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

Regresję logistyczną stosuje się do zadań klasyfikacji binarnej, takich jak określenie, 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 mogą obsługiwać zarówno zadania regresji, jak i klasyfikacji. Zbudujmy prosty klasyfikator w postaci 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 wydajności modeli:

Średni błąd kwadratowy (MSE): Dla modeli regresyjnych.
Dokładność: Dla 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 dziel zbiór danych na zbiory treningowy i testowy, aby ocenić wydajność 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)

Typowe błędy w uczeniu nadzorowanym

Oto błędy, których należy unikać:

Brak podziału danych na zbiory treningowy i testowy.
Przeuczenie modelu wskutek używania nadmiernie złożonych algorytmów.
Używanie nieprawidłowo 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 wydajność modeli za pomocą metryk, takich jak MSE i dokładność.
Jakie znaczenie ma podział danych na zbiory treningowy i testowy.
Jakich częstych błędów unikać w zadaniach uczenia nadzorowanego.

Świetna praca! Przejdźmy do następnego tematu.

Uczenie nadzorowane z Scikit-Learn — ilustracja 11

Często zadawane pytania

Czy lekcja „Uczenie nadzorowane z Scikit-Learn” jest bezpłatna?

Tak — pełny tekst „Uczenie nadzorowane z Scikit-Learn” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Python For Kids, przejdź na CoddyKit PRO. Kurs Python For Kids zawiera 6 lekcji w sumie.

Co nauczysz się w „Uczenie nadzorowane z Scikit-Learn”?

Twórz i oceniaj modele uczenia nadzorowanego, takie jak regresja liniowa i klasyfikacja. Ćwiczysz Python For Kids z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Python For Kids?

Nie wymagamy żadnego doświadczenia. Python For Kids w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 6.

Ile czasu zajmuje lekcja „Uczenie nadzorowane z Scikit-Learn”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Python For Kids?

Tak. Każda lekcja Python For Kids zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

← Powrót do Python For Kids