Завдання класифікації

Кероване навчання зі scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Класифікація міток для нових даних

Побудуйте модель
Модель навчається на розмічених даних, які ви їй передаєте
Передайте моделі нерозмічені дані як вхід
Модель передбачає мітки для нових даних

Розмічені дані = тренувальні дані

k-Nearest Neighbors

Передбачте мітку точки даних,
- дивлячись на k найближчих розмічених сусідів
- взявши більшість голосів

k-Nearest Neighbors

точкова діаграма з синіми й червоними спостереженнями та новим чорним спостереженням

k-Nearest Neighbors

радіус навколо трьох спостережень, найближчих до чорної точки

k-Nearest Neighbors

радіус навколо п'яти спостережень, найближчих до чорної точки

Інтуїція KNN

точкова діаграма: загальна вартість ввечері проти загальної вартості вдень; сині — покинули, червоні — не покинули

Інтуїція KNN

точкова діаграма відтоку з межею рішень, що розділяє спостереження за прогнозом KNN: відтік чи ні

Використання scikit-learn для навчання класифікатора

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)

Прогнозування для нерозмічених даних

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]

Давайте потренуємось!

Кероване навчання зі scikit-learn