Modelltraining
End-to-End Machine Learning
Joshua Stapleton
Machine Learning Engineer
Ockhams Rasiermesser
- Die einfachste hinreichende Erklärung ist am besten
- Bevorzuge einfache Modelle bei der Auswahl
Modellauswahl
Logistische Regression
- Findet die Entscheidungsgrenze zwischen Klassen
sklearn.linear_model.LogisticRegression
Support Vector Classifier
- Findet eine Trennebene zwischen Klassen
sklearn.svm.SVC
Entscheidungsbaum
- Nutzt einfache „Regeln“ zur Klassifikation
sklearn.tree.DecisionTreeClassifier
Random Forest
- Kombiniert mehrere Entscheidungsbäume
sklearn.ensemble.RandomForestClassifier
Weitere Modelle
Deep-Learning-Modelle
- Neuronale Netze
- Convolutional Neural Networks
- Generative Pretrained Transformer (GPT)
K-Nearest Neighbors (KNN)
- Überwachter Lernalgorithmus
XGBoost
- Gradient-Boosted-Modell
- https://xgboost.readthedocs.io/en/stable/
Trainingsprinzipien
Modell:
- Nutzt bereinigte Daten mit Feature-Verarbeitung
- Lernt Muster aus Trainingsdaten
- Sagt das Ziel „Herzkrankheitsdiagnose“ voraus
Prinzipien:
- Muss auf unbekannte Daten generalisieren
- Teil der Daten zurückhalten und erst nach Training testen
- Train/Test-Aufteilung meist 70/30 oder 80/20
sklearn.model_selection.train_test_splitnutzen
Ein Modell trainieren
# Importing necessary libraries from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression# Split the data into training and testing sets (80:20) X_train, X_test, y_train, y_test = train_test_split(features, heart_disease_y, test_size=0.2, random_state=42)# Define the models logistic_model = LogisticRegression(max_iter=200)# Train the model logistic_model.fit(X_train, y_train)
Modellvorhersagen erhalten
# Jane Does Gesundheitsdaten, z. B.: [Alter, Cholesterin, Blutdruck, ...] jane_doe_data = [45, 230, 120, ...]# In 2D umformen, da scikit-learn ein 2D-Array erwartet jane_doe_data = jane_doe_data.reshape(1, -1)# Mit dem Modell Janes Herzkrankheitsdiagnose-Wahrscheinlichkeiten vorhersagen jane_doe_probabilities = logistic_model.predict_proba(jane_doe_data) jane_doe_prediction = logistic_model.predict(jane_doe_data)
Modellvorhersagen (fortgesetzt)
# Print the probabilities
print(f"Jane Doe's predicted probabilities: {jane_doe_probabilities[0]}")
print(f"Jane Doe's predicted health condition: {jane_doe_prediction[0]}")
Jane Does vorhergesagte Zustandswahrscheinlichkeiten: [0.2 0.8]Jane Does vorhergesagter Gesundheitszustand: 1
Lass uns üben!
End-to-End Machine Learning
