Postup strojového učení

Porozumění strojovému učení

Lis Sulmont

Curriculum Manager, DataCamp

Postup strojového učení

Náš scénář

Náš dataset: prodeje nemovitostí v NYC z let 2015–2019

Obsahuje:

• Plocha v m²
• Čtvrť
• Rok výstavby
• Prodejní cena
• A další!

Náš cíl: Prodejní cena

Krok 1: Extrakce příznaků

Krok 2: Rozdělení datasetu

Krok 3: Trénování modelu

Krok 3: Trénování modelu

$$

Krok 4: Vyhodnocení

Krok 4: Vyhodnocení

• Testovací dataset: „neviděná" data
• Mnoho způsobů vyhodnocení:
  • Jaká je průměrná chyba předpovědí?
  • Kolik procent bytů model předpověděl s odchylkou do 10 %?

Krok 4: Vyhodnocení

Krok 4: Vyhodnocení

Krok 4: Vyhodnocení

• Pokud ne, upravte model a znovu ho natrénujte:
  • např. změňte nastavení modelu, přidejte/odeberte příznaky

Postup strojového učení

Přehled kroků

1. Extrakce příznaků
   • Výběr příznaků a úprava datasetu
2. Rozdělení datasetu
   • Trénovací a testovací dataset
3. Trénování modelu
   • Vstup trénovacího datasetu do modelu strojového učení
4. Vyhodnocení
   • Pokud není dosaženo požadovaného výkonu: upravte model a opakujte krok 3

Pojďme si procvičit!

Porozumění strojovému učení