Dasar-dasar Machine Learning
Machine Learning untuk Data Deret Waktu di Python
Chris Holdgraf
Fellow, Berkeley Institute for Data Science
Selalu mulai dengan meninjau data Anda
array.shape
(10, 5)
array[:3]
array([[ 0.735528 , 1.00122818, -0.28315978],
[-0.94478393, 0.18658748, -0.00241224],
[-0.74822942, -1.46636618, 0.69835096]])
Selalu mulai dengan meninjau data Anda
df.head()
col1 col2 col3
0 0.735528 1.001228 -0.283160
1 -0.944784 0.186587 -0.002412
2 -0.748229 -1.466366 0.698351
3 1.038589 -0.171248 0.831457
4 -0.161904 0.003972 -0.321933
Selalu visualisasikan data Anda
Pastikan tampilannya sesuai harapan.
# Menggunakan matplotlib
fig, ax = plt.subplots()
ax.plot(...)
# Menggunakan pandas
fig, ax = plt.subplots()
df.plot(..., ax=ax)
Scikit-learn
Scikit-learn adalah pustaka Machine Learning paling populer di Python
from sklearn.svm import LinearSVC
Menyiapkan data untuk scikit-learn
scikit-learnmengharapkan struktur data tertentu:(samples, features)Pastikan data Anda minimal dua dimensi
Pastikan dimensi pertama adalah samples
Jika bentuk data Anda tidak benar
- Jika sumbu tertukar:
array.T.shape
(10, 3)
Jika bentuk data Anda tidak benar
- Jika ada sumbu yang hilang, gunakan
.reshape():
array.shape
(10,)
array.reshape(-1, 1).shape
(10, 1)
-1akan otomatis mengisi sumbu itu dengan nilai yang tersisa
Melatih model dengan scikit-learn
# Impor support vector classifier
from sklearn.svm import LinearSVC
# Buat instance model
model = LinearSVC()
# Latih model pada data
model.fit(X, y)
Umumnya y berdimensi (samples, 1)
Menganalisis model
# Ada satu koefisien per fitur masukan
model.coef_
array([[ 0.69417875, -0.5289162 ]])
Memprediksi dengan model yang telah dilatih
# Hasilkan prediksi
predictions = model.predict(X_test)
Ayo berlatih
Machine Learning untuk Data Deret Waktu di Python
