मॉडल प्रशिक्षण
एंड-टू-एंड मशीन लर्निंग
Joshua Stapleton
Machine Learning Engineer
Occam's Razor
- सबसे सरल, पर्याप्त व्याख्या सर्वोत्तम होती है
- चयन करते समय सरल मॉडलों की ओर झुकें
Modeling विकल्प
Logistic Regression
- कक्षाओं के बीच decision boundary ढूँढता है
sklearn.linear_model.LogisticRegression
Support Vector Classifier
- कक्षाओं को अलग करने के लिए plane ढूँढता है
sklearn.svm.SVC
Decision Tree
- डेटा को वर्गीकृत करने के लिए सरल 'rules' बनाता है
sklearn.tree.DecisionTreeClassifier
Random Forest
- कई decision trees को जोड़ता है
sklearn.ensemble.RandomForestClassifier
अन्य मॉडल
Deep learning models
- Neural Networks
- Convolutional Neural Networks
- Generative Pretrained Transformer (GPT)
K-Nearest Neighbors (KNN)
- Supervised learning algorithm
XGBoost
- Gradient boosted मॉडल
- https://xgboost.readthedocs.io/en/stable/
Training सिद्धांत
मॉडल:
- साफ़ और फीचर-प्रोसेस्ड डेटासेट का उपयोग करता है
- training data में patterns सीखता है
- heart disease diagnosis के target की भविष्यवाणी का लक्ष्य
सिद्धांत:
- मॉडल को अनदेखे डेटा पर generalize करना चाहिए (training set के बाहर)
- कुछ डेटा 'hold-out' रखें, ताकि training पूर्ण होने के बाद टेस्ट कर सकें
- training/testing का split आमतौर पर 70/30 या 80/20 होता है
sklearn.model_selection.train_test_splitउपयोग कर सकते हैं
मॉडल प्रशिक्षित करना
# 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)
मॉडल भविष्यवाणियाँ प्राप्त करना
# 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)
मॉडल भविष्यवाणियाँ (जारी)
# 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
अभ्यास करते हैं!
एंड-टू-एंड मशीन लर्निंग
