Wyzwanie klasyfikacji

Nadzorowane uczenie maszynowe z scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Klasyfikacja etykiet nieznanych danych

Zbuduj model
Model uczy się na przekazanych danych z etykietami
Przekaż dane bez etykiet jako dane wejściowe
Model przewiduje etykiety nieznanych danych

Dane z etykietami = dane treningowe

k-najbliższych sąsiadów

Przewiduj etykietę punktu danych przez
- Znalezienie k najbliższych punktów z etykietami
- Głosowanie większościowe

k-najbliższych sąsiadów

wykres punktowy z obserwacjami w kolorze niebieskim i czerwonym oraz nową obserwacją w kolorze czarnym

k-najbliższych sąsiadów

promień wokół trzech obserwacji najbliższych czarnemu punktowi

k-najbliższych sąsiadów

promień wokół pięciu obserwacji najbliższych czarnemu punktowi

Intuicja KNN

wykres punktowy całkowitych opłat wieczornych względem całkowitych opłat dziennych, gdzie obserwacje są zaznaczone na niebiesko, jeśli klient zrezygnował, i na czerwono, jeśli nie zrezygnował

Intuicja KNN

wykres punktowy odejść z granicą decyzyjną dzielącą obserwacje według przewidywań KNN

Dopasowanie klasyfikatora w 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)

Prognozowanie na danych bez etykiet

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]

Czas na ćwiczenia!

Nadzorowane uczenie maszynowe z scikit-learn