Навчання моделі
End-to-End Machine Learning
Joshua Stapleton
Machine Learning Engineer
Бритва Оккама
- Найпростіше задовільне пояснення — найкраще
- За можливості обирайте прості моделі
Варіанти моделювання
Logistic Regression
- Знаходить межу рішень між класами
sklearn.linear_model.LogisticRegression
Support Vector Classifier
- Знаходить площину для розділення класів
sklearn.svm.SVC
Decision Tree
- Будує прості «правила» для класифікації даних
sklearn.tree.DecisionTreeClassifier
Random Forest
- Поєднує кілька дерев рішень
sklearn.ensemble.RandomForestClassifier
Інші моделі
Моделі глибокого навчання
- Нейронні мережі
- Згорткові нейронні мережі
- Generative Pretrained Transformer (GPT)
K-Nearest Neighbors (KNN)
- Алгоритм контрольованого навчання
XGBoost
- Модель градієнтного бустингу
- https://xgboost.readthedocs.io/en/stable/
Принципи навчання
Модель:
- Використовує очищені дані з опрацюванням ознак
- Навчається шаблонам на тренувальних даних
- Мета — передбачити ціль: діагноз хвороби серця
Принципи:
- Модель має узагальнювати на нові дані (поза тренувальним набором)
- Відкладіть частину даних («hold-out») для тестування після навчання
- Зазвичай поділ тренувальні/тестові — 70/30 або 80/20
- Можна використати
sklearn.model_selection.train_test_split
Навчання моделі
# 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)
Отримання передбачень моделі
# 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)
Отримання передбачень моделі (продовження)
# 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
Давайте потренуємось!
End-to-End Machine Learning
