พื้นฐาน Machine Learning
Machine Learning สำหรับข้อมูล Time Series ใน Python
Chris Holdgraf
Fellow, Berkeley Institute for Data Science
เริ่มต้นด้วยการดูข้อมูลเสมอ
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]])
เริ่มต้นด้วยการดูข้อมูลเสมอ
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
แสดงภาพข้อมูลเสมอ
ตรวจสอบให้แน่ใจว่าข้อมูลมีรูปแบบที่ถูกต้องตามที่คาดไว้
# Using matplotlib
fig, ax = plt.subplots()
ax.plot(...)
# Using pandas
fig, ax = plt.subplots()
df.plot(..., ax=ax)
Scikit-learn
Scikit-learn คือไลบรารี Machine Learning ที่ได้รับความนิยมสูงสุดใน Python
from sklearn.svm import LinearSVC
เตรียมข้อมูลสำหรับ scikit-learn
scikit-learnต้องการข้อมูลในรูปแบบที่กำหนด:(samples, features)ต้องมีข้อมูลอย่างน้อย สองมิติ
มิติแรกต้องเป็น samples
กรณีที่รูปร่างข้อมูลไม่ถูกต้อง
- หากแกนสลับกัน:
array.T.shape
(10, 3)
กรณีที่รูปร่างข้อมูลไม่ถูกต้อง
- หากขาดแกน ให้ใช้
.reshape():
array.shape
(10,)
array.reshape(-1, 1).shape
(10, 1)
-1จะเติมค่าที่เหลือในแกนนั้นโดยอัตโนมัติ
การ Fit โมเดลด้วย 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)
โดยทั่วไป y จะมีรูปร่างเป็น (samples, 1)
ตรวจสอบโมเดล
# There is one coefficient per input feature
model.coef_
array([[ 0.69417875, -0.5289162 ]])
การพยากรณ์ด้วยโมเดลที่ Fit แล้ว
# Generate predictions
predictions = model.predict(X_test)
มาฝึกกันเถอะ!
Machine Learning สำหรับข้อมูล Time Series ใน Python
