Model eğitimi

Uçtan Uca Machine Learning

Joshua Stapleton

Machine Learning Engineer

Occam'ın Usturası

En basit yeterli açıklama en iyisidir
Model seçerken basit modellere yöneliniz

Occam'ın Usturası ilkesini gösteren örnek resim

Model seçenekleri

Lojistik Regresyon

Sınıflar arasındaki karar sınırını bulur
sklearn.linear_model.LogisticRegression

Destek Vektör Sınıflandırıcı

Sınıfları ayıran bir düzlem bulur
sklearn.svm.SVC

Karar Ağacı

Veriyi sınıflamak için basit 'kurallar' bulur
sklearn.tree.DecisionTreeClassifier

Rastgele Orman

Birden çok karar ağacını birleştirir
sklearn.ensemble.RandomForestClassifier

Diğer modeller

Derin öğrenme modelleri

Sinir Ağları
Evrişimsel Sinir Ağları
Generative Pretrained Transformer (GPT)

K-En Yakın Komşu (KNN)

Denetimli öğrenme algoritması

XGBoost

Gradyan artırmalı model
https://xgboost.readthedocs.io/en/stable/

Eğitim ilkeleri

Model:

Temizlenmiş ve özellikleri işlenmiş veri kümesini kullanır
Eğitim verisindeki kalıpları öğrenir
Kalp hastalığı tanısı hedefini tahmin etmeyi amaçlar

İlkeler:

Model, görülmemiş verilere genellenmelidir (eğitim seti dışı)
Eğitimi bitince test etmek için bir kısmı 'ayrılmalıdır'
Eğitim/test bölümü genelde 70/30 veya 80/20'dir
sklearn.model_selection.train_test_split kullanılabilir

Model eğitimi

# 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)

Model tahminleri alma

# Jane Doe's health data, for example: [age, cholesterol level, blood pressure, etc.]
jane_doe_data = [45, 230, 120, ...]


# Reshape the data to 2D, because scikit-learn expects a 2D array-like input
jane_doe_data = jane_doe_data.reshape(1, -1)


# Use the model to predict Jane's heart disease diagnosis probabilities
jane_doe_probabilities = logistic_model.predict_proba(jane_doe_data)
jane_doe_prediction = logistic_model.predict(jane_doe_data)

Model tahminleri alma (devam)

# 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 Doe'nun tahmin edilen olasılıkları: [0.2 0.8]

Jane Doe'nun tahmin edilen sağlık durumu: 1

Ayo berlatih!

Uçtan Uca Machine Learning