Trenowanie modelu
End-to-End Machine Learning
Joshua Stapleton
Machine Learning Engineer
Brzytwa Ockhama
- Najprostsza wystarczające wyjaśnienie jest najlepsze
- Przy wyborze modelu należy preferować prostsze rozwiązania
Opcje modelowania
Regresja logistyczna
- Wyznacza granicę decyzyjną między klasami
sklearn.linear_model.LogisticRegression
Maszyna wektorów nośnych (SVC)
- Szuka hiperpłaszczyzny separującej klasy
sklearn.svm.SVC
Drzewo decyzyjne
- Znajduje proste reguły do klasyfikacji danych
sklearn.tree.DecisionTreeClassifier
Las losowy
- Łączy wiele drzew decyzyjnych
sklearn.ensemble.RandomForestClassifier
Inne modele
Modele głębokiego uczenia
- Sieci neuronowe
- Splotowe sieci neuronowe
- Generatywny model transformerowy (GPT)
K-Nearest Neighbors (KNN)
- Algorytm uczenia nadzorowanego
XGBoost
- Model z gradientowym boostingiem
- https://xgboost.readthedocs.io/en/stable/
Zasady trenowania
Model:
- Korzysta z oczyszczonego zbioru danych z przetworzonymi cechami
- Uczy się wzorców w danych treningowych
- Celem jest przewidywanie diagnozy choroby serca
Zasady:
- Model musi generalizować na nieznane dane (spoza zbioru treningowego)
- Część danych jest „zatrzymywana" do testowania modelu po zakończeniu treningu
- Podział na trening/test wynosi zazwyczaj 70/30 lub 80/20
- Można użyć
sklearn.model_selection.train_test_split
Trenowanie modelu
# 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)
Uzyskiwanie predykcji modelu
# 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)
Uzyskiwanie predykcji modelu (cd.)
# 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's predicted health condition probabilities: [0.2 0.8]Jane Doe's predicted health condition: 1
Czas na ćwiczenia!
End-to-End Machine Learning
