Grunderna i maskininlärning
Maskininlärning för tidsseriedata i Python
Chris Holdgraf
Fellow, Berkeley Institute for Data Science
Börja alltid med att titta på dina data
array.shape
(10, 5)
array[:3]
array([[ 0.735528 , 1.00122818, -0.28315978],
[-0.94478393, 0.18658748, -0.00241224],
[-0.74822942, -1.46636618, 0.69835096]])
Börja alltid med att titta på dina data
df.head()
col1 col2 col3
0 0.735528 1.001228 -0.283160
1 -0.944784 0.186587 -0.002412
2 -0.748229 -1.466366 0.698351
3 1.038589 -0.171248 0.831457
4 -0.161904 0.003972 -0.321933
Visualisera alltid dina data
Kontrollera att datan ser ut som förväntat.
# Using matplotlib
fig, ax = plt.subplots()
ax.plot(...)
# Using pandas
fig, ax = plt.subplots()
df.plot(..., ax=ax)
Scikit-learn
Scikit-learn är det mest populära maskininlärningsbiblioteket i Python
from sklearn.svm import LinearSVC
Förbereda data för scikit-learn
scikit-learnkräver en specifik datastruktur:(samples, features)Se till att dina data är minst tvådimensionella
Se till att den första dimensionen är samples
Om dina data inte har rätt form
- Om axlarna är ombytta:
array.T.shape
(10, 3)
Om dina data inte har rätt form
- Om en axel saknas, använd
.reshape():
array.shape
(10,)
array.reshape(-1, 1).shape
(10, 1)
-1fyller automatiskt axeln med återstående värden
Träna en modell med scikit-learn
# Import a support vector classifier
from sklearn.svm import LinearSVC
# Instantiate this model
model = LinearSVC()
# Fit the model on some data
model.fit(X, y)
Det är vanligt att y har formen (samples, 1)
Undersöka modellen
# There is one coefficient per input feature
model.coef_
array([[ 0.69417875, -0.5289162 ]])
Göra prediktioner med en tränad modell
# Generate predictions
predictions = model.predict(X_test)
Nu kör vi en övning!
Maskininlärning för tidsseriedata i Python
