機器學習基礎

Python 的時間序列資料機器學習

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

先看資料再開始

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]])
Python 的時間序列資料機器學習

先看資料再開始

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
Python 的時間序列資料機器學習

務必將資料視覺化

確認它看起來符合預期。

# 使用 matplotlib
fig, ax = plt.subplots()
ax.plot(...)

# 使用 pandas
fig, ax = plt.subplots()
df.plot(..., ax=ax)
Python 的時間序列資料機器學習

Scikit-learn

Scikit-learn 是 Python 中最熱門的機器學習函式庫

from sklearn.svm import LinearSVC
Python 的時間序列資料機器學習

為 scikit-learn 準備資料

  • scikit-learn 需要特定的資料結構：

    (samples, features)

  • 確保資料「至少是二維」

  • 確保第一個維度是「samples」

Python 的時間序列資料機器學習

當資料形狀不正確時

  • 若軸對調：
array.T.shape

(10, 3)
Python 的時間序列資料機器學習

當資料形狀不正確時

  • 若少一個軸，可用 .reshape()： 
array.shape

(10,)

array.reshape(-1, 1).shape

(10, 1)
  • -1 會自動以剩餘元素推算該軸大小
Python 的時間序列資料機器學習

用 scikit-learn 訓練模型

# 匯入支援向量分類器
from sklearn.svm import LinearSVC

# 建立模型實例
model = LinearSVC()

# 以資料訓練模型
model.fit(X, y)

y 常見的形狀為 (samples, 1)。

Python 的時間序列資料機器學習

檢視模型

# 每個輸入特徵對應一個係數
model.coef_

array([[ 0.69417875, -0.5289162 ]])
Python 的時間序列資料機器學習

用已訓練模型做預測

# 產生預測
predictions = model.predict(X_test)
Python 的時間序列資料機器學習

一起來練習吧！

Python 的時間序列資料機器學習

Preparing Video For Download...