Etapy modelowania ML
Uczenie maszynowe w marketingu w Pythonie
Karolis Urbonas
Head of Analytics & Science, Amazon
Etapy uczenia nadzorowanego
- Podział danych na treningowe i testowe
- Inicjalizacja modelu
- Dopasowanie modelu do danych treningowych
- Predykcja wartości na danych testowych
- Ocena wydajności modelu na danych testowych
Uczenie nadzorowane w kodzie
Najpierw wczytajmy biblioteki.
from sklearn import tree
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
Etapy uczenia nadzorowanego w kodzie
# 1. Split data to training and testing train_X, test_X, train_Y, test_Y = train_test_split(X, Y, test_size=0.25)# 2. Initialize the model mytree = tree.DecisionTreeClassifier()# 3. Fit the model on the training data treemodel = mytree.fit(train_X, train_Y)# 4. Predict values on the testing data pred_Y = treemodel.predict(test_X)# 5. Measure model performance on testing data accuracy_score(test_Y, pred_Y)
Etapy uczenia nienadzorowanego
- Inicjalizacja modelu
- Dopasowanie modelu
- Przypisanie wartości klastrów
- Eksploracja wyników
Uczenie nienadzorowane w kodzie
Najpierw wczytajmy biblioteki.
from sklearn.cluster import KMeans
import pandas as pd
Uczenie nienadzorowane w kodzie
1. Initialize the model kmeans = KMeans(n_clusters=3)# Fit the model kmeans.fit(data)# 3. Asign cluster values data.assign(Cluster=kmeans.labels_)# 4. Explore results data.groupby('Cluster').mean()
Czas budować modele!
Uczenie maszynowe w marketingu w Pythonie
