Klassifikationsbeispiel

Überwachtes Lernen mit scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Klassifikation von Labels für neue Daten

Modell wird erstellt
Modell lernt aus übergebenen Daten mit Labels
Modell erhält Daten ohne Labels als Eingabe
Modell sagt die Labels der neuen Daten voraus

Daten mit Labels = Trainingsdaten

k-Nearest Neighbors (KNN)

Vorhersage des Labels eines unbeschrifteten Datenpunktes durch:
- Auswahl der k nächstgelegenen Datenpunkte mit Labels
- Abstimmung nach Mehrheitsprinzip

k-Nearest Neighbors (KNN)

Streudiagramm mit blauen und roten Datenpunkten sowie einem schwarzen Datenpunkt

k-Nearest Neighbors (KNN)

Dasselbe Streudiagramm mit hervorgehobenem Umkreis mit drei Datenpunkten, die dem schwarzen Punkt am nächsten liegen

k-Nearest Neighbors (KNN)

Dasselbe Streudiagramm mit hervorgehobenem Umkreis mit fünf Datenpunkten, die dem schwarzen Punkt am nächsten liegen

Visualisierung der KNN-Methode

Streudiagramm mit Gesamtgebühren für Telefonate am Abend und am Tag; blaue Punkte stehen für abgewanderte Kunden, rote Punkte für nicht abgewanderte Kunden

Visualisierung der KNN-Methode

Streudiagramm mit eingezeichneter Entscheidungsgrenze, um die wahrscheinlich abwandernden von den wahrscheinlich nicht abwandernden Kunden zu trennen

Anpassung eines Klassifikators mit scikit-learn

from sklearn.neighbors import KNeighborsClassifier

X = churn_df[["total_day_charge", "total_eve_charge"]].values
y = churn_df["churn"].values

print(X.shape, y.shape)

(3333, 2), (3333,)

knn = KNeighborsClassifier(n_neighbors=15)

knn.fit(X, y)

Vorhersagen für Daten ohne Labels

X_new = np.array([[56.8, 17.5],
                  [24.4, 24.1],
                  [50.1, 10.9]])

print(X_new.shape)

(3, 2)

predictions = knn.predict(X_new)

print('Predictions: {}'.format(predictions))

Predictions: [1 0 0]

Lass uns üben!

Überwachtes Lernen mit scikit-learn