Makemake ʻoe e hoʻomaka me aʻo aʻo?
Ua hana wau i kahi aʻo maʻalahi a maʻalahi no nā poʻe hoʻomaka piha. E hele pū mākou ma luna o nā ʻanuʻu kumu o ka hoʻomaʻamaʻa ʻana i kahi hoʻohālike aʻo mīkini.
I ka wehewehe ʻana i nā ʻanuʻu o ka hoʻomaʻamaʻa ʻana i ke kumu hoʻohālike, e hāʻawi pū wau i kahi laʻana kumu loa o kahi pilikia aʻo mīkini. No laila, inā makemake ʻoe e hahai, hiki iā ʻoe ke hoʻoiho i kēia hoʻonohonoho ʻikepili hoʻohālike mai kēia loulou.
He laʻana helu helu wale nō kēia e kōkua iā ʻoe e hoʻomaka me ke aʻo ʻana i ka mīkini.
Loaʻa iā mākou nā waiwai 18 o nā poʻe o nā makahiki like ʻole a me nā kāne i wehewehe ʻia kā lākou mele punahele. Ma ka hoʻohana ʻana, nā hiʻohiʻona o ka "makahiki" a me "ke kāne" e hoʻāʻo mākou e koho i ke ʻano mele o kā lākou punahele.
'Ōlelo Aʻo: Ua hāʻawi ʻia ka 1 a me 0 i nā kāne ma ke ʻano he wahine a me ke kāne ma kēia waihona.
Eia nō naʻe, inā ʻaʻole ʻoe makemake e hahai i ka laʻana, maikaʻi loa ia. E wehewehe au i kēia mau ʻanuʻu a pau. No laila, e luʻu kākou!
Nā mea mua e ʻike
Ma mua o ka hele ʻana i nā ʻanuʻu o ka hoʻomaʻamaʻa ʻana i kahi kumu hoʻohālike, e wehewehe kākou i kekahi mau mea. ʻO ke aʻo ʻana i ka mīkini he ʻimi hoʻopunipuni manao ka hoʻopaʻi ʻana i ka hoʻomohala ʻana i nā algorithm e hiki ke aʻo mai ka ʻikepili.
No ka hana ʻana i kēia, hoʻomaʻamaʻa ʻia nā mīkini aʻo ʻana ma kahi ʻikepili e aʻo i ke kumu hoʻohālike e hana i nā wānana pololei a i ʻole hoʻokaʻawale ma ka ʻikepili hou, ʻike ʻole ʻia.
No laila, he aha kēia mau hiʻohiʻona? A kumu hoʻohālikelike mīkini ua like ia me kahi meaʻai i hoʻohana ʻia e ke kamepiula e hana i nā wānana ʻikepili a i ʻole nā koho.
ʻO ke kumu hoʻohālike, e like me ka meaʻai, e hahai ana i nā ʻōlelo aʻoaʻo no ka loiloi ʻana i ka ʻikepili a hana i nā wānana a i ʻole nā hoʻoholo ʻana e pili ana i nā mamana i loaʻa i ka ʻikepili. ʻOi aku ka nui o ka ʻikepili i hoʻomaʻamaʻa ʻia ke kumu hoʻohālike, ʻoi aku ka pololei o kāna mau wānana.
He aha ke ʻano o nā kumu hoʻohālike e hiki iā mākou ke aʻo?
E ʻike kākou he aha nā kumu hoʻohālike mīkini kumu.
- Linear Regression: he kŘkohu e wānana ana i ka hoʻololi i hoʻomau ʻia mai hoʻokahi a ʻoi aʻe paha mau mea hoʻokomo.
- Nā Pūnaewele Neural: he pūnaewele o nā nodes i hoʻopili ʻia e hiki ke aʻo e ʻike i nā ʻano paʻakikī i ka ʻikepili.
- Nā lāʻau hoʻoholo: kahi hoʻoholo hoʻoholo i kūkulu ʻia ma luna o ke kaulahao o nā huaʻōlelo inā ʻē aʻe.
- Clustering: he pūʻulu kumu hoʻohālike e hui pū i nā helu ʻikepili like ma muli o ka like.
- Logistic Regression: he kumu hoʻohālike no nā pilikia hoʻohālikelike binary kahi i loaʻa ai ʻelua mau waiwai kūpono i ka hoʻololi i koho ʻia.
- Nā lāʻau hoʻoholo: kahi hoʻoholo hoʻoholo i kūkulu ʻia ma luna o ke kaulahao o nā huaʻōlelo inā ʻē aʻe.
- Nahele Random: he kumu hoʻohālike i haku ʻia me nā kumu lāʻau hoʻoholo he nui. Hoʻohana pinepine ʻia lākou no ka hoʻohālikelike a me nā noi regression.
- K-Nearest Neighbors: he kŘkohu e wānana i ka hoʻololi i hoʻopaʻa ʻia me ka hoʻohana ʻana i nā helu ʻikepili k-kokoke loa i ka hoʻonohonoho hoʻomaʻamaʻa.
Ma muli o ko mākou pilikia a me ka ʻikepili, hoʻoholo mākou i ka mīkini aʻo ʻana i kūpono i ko mākou kūlana. Eia naʻe, e hoʻi mākou i kēia ma hope. I kēia manawa, e hoʻomaka kākou e aʻo i kā mākou kumu hoʻohālike. Manaʻo wau ua hoʻoiho mua ʻoe i ka kuapo inā makemake ʻoe e hahai i kā mākou hiʻohiʻona.
Eia kekahi, paipai wau e loaʻa Puke Memo Jupyter hoʻokomo ʻia ma kāu mīkini kūloko a hoʻohana iā ia no kāu mau papahana aʻo mīkini.
1: E wehewehe i ka pilikia
ʻO ka pae mua ma ke aʻo ʻana i ka mīkini ʻO ke kumu hoʻohālike ke wehewehe nei i ka pilikia e hoʻoholo ʻia. ʻO kēia ke koho ʻana i nā ʻano like ʻole āu e makemake ai e wānana (i ʻike ʻia ʻo ka variable target) a me nā mea hoʻololi e hoʻohana ʻia e hana i kēlā mau wānana (i ʻike ʻia ʻo nā hiʻohiʻona a i ʻole nā mea wānana).
Pono ʻoe e hoʻoholo i ke ʻano o ka pilikia aʻo mīkini āu e hoʻāʻo nei e hoʻoponopono (ka hoʻokaʻawale, regression, clustering, a pēlā aku) a me ke ʻano o ka ʻikepili āu e pono ai e hōʻiliʻili a hoʻomaʻamaʻa paha i kāu kumu hoʻohālike.
E hoʻoholo ʻia ke ʻano hoʻohālike āu e hoʻohana ai e ke ʻano o ka pilikia aʻo mīkini āu e manaʻo nei e hoʻoponopono. ʻO ka hoʻokaʻawale ʻana, ka hoʻihoʻi ʻana, a me ka hui ʻana ʻo ia nā ʻāpana mua ʻekolu o nā pilikia aʻo mīkini. Inā makemake ʻoe e wānana i kahi hoʻololi categorical, e like me ka leka uila he spam a ʻaʻole paha, hoʻohana ʻoe i ka hoʻohālikelike.
Inā makemake ʻoe e wānana i kahi loli mau, e like me ke kumukūʻai o kahi hale, hoʻohana ʻoe i ka regression. Hoʻohana ʻia ka Clustering e hui pū i nā mea ʻikepili like e pili ana i kā lākou mau mea maʻamau.
Inā mākou e nānā i kā mākou hiʻohiʻona; ʻO kā mākou paʻakikī ʻo ka hoʻoholo ʻana i ke ʻano mele i makemake ʻia e ke kanaka mai kona kāne a me kona mau makahiki. E hoʻohana mākou i ka ʻikepili o 18 poʻe no kēia laʻana a me ka ʻike e pili ana i ko lākou mau makahiki, ke kāne, a me ke ʻano mele punahele.
2. E hoʻomākaukau i ka ʻikepili
Ma hope o kou wehewehe ʻana i ka pilikia, pono ʻoe e hoʻomākaukau i ka ʻikepili no ke aʻo ʻana i ke kumu hoʻohālike. Hoʻopili kēia i ka hoʻomaʻemaʻe a me ka hana ʻana i ka ʻikepili. No laila, hiki iā mākou ke hōʻoia i loko o kahi ʻano i ʻike ʻia ka mīkini aʻo algorithm hiki ke hoʻohana.
Hiki i kēia ke komo i nā hana e like me ka holoi ʻana i nā waiwai nalo, ka hoʻololi ʻana i ka ʻikepili helu i ka ʻikepili helu, a me ka hoʻonui ʻana a i ʻole ka hoʻomaʻamaʻa ʻana i ka ʻikepili e hōʻoia i ke ʻano like o nā ʻano āpau.
No ka laʻana, penei ke holoi ʻana i nā waiwai i nalowale:
import pandas as pd
# Load the data into a pandas DataFrame
data = pd.read_csv('data.csv')
# Check for missing values
print(data.isnull().sum())
# Drop rows with missing values
data.dropna(inplace=True)
# Check that all missing values have been removed
print(data.isnull().sum())
Palapala liʻiliʻi: Ma ka laina o "import pandas as pd",
Hoʻokomo mākou i ka waihona Pandas a hāʻawi iā ia i ka inoa "pd" i mea e maʻalahi ai ke kuhikuhi ʻana i kāna mau hana a me nā mea ma hope o ke code.
ʻO Pandas kahi modula kaulana no Python no ka hoʻoponopono ʻana i ka ʻikepili a me ka nānā ʻana, ʻoiai ke hana nei me ka ʻikepili i kūkulu ʻia a i ʻole ka papa.
I kā mākou laʻana no ka hoʻoholo ʻana i nā ʻano mele. E hoʻokomo mua mākou i ka ʻikepili. Ua kapa wau iā ia he music.csv, akā naʻe, hiki iā ʻoe ke inoa iā ia e like me kou makemake.
No ka hoʻomākaukau ʻana i ka ʻikepili no ka hoʻomaʻamaʻa ʻana i ke ʻano hoʻohālike mīkini, hoʻokaʻawale mākou iā ia i nā ʻano (makahiki a me ke kāne) a me nā pahuhopu (ke ʻano mele).
E puʻunaue mākou i ka ʻikepili i 80:20 hoʻomaʻamaʻa a hoʻāʻo ʻana e loiloi i ka hana o kā mākou kumu hoʻohālike a pale i ka hoʻopili ʻana.
# Import necessary libraries
import pandas as pd
from sklearn.model_selection import train_test_split
# Load data from CSV file/code>
music_data = pd.read_csv('music.csv')
# Split data into features and target
X = music_data.drop(columns=['genre'])
y = music_data['genre']
# Split data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
3. E koho i ke kumu hoʻohālike mīkini.
Ma hope o ka hoʻomākaukau ʻana i ka ʻikepili, pono ʻoe e koho i kahi kumu hoʻohālike e aʻo ai i ka mīkini i kūpono i kāu hana.
Nui nā algorithms e koho mai, e like me nā lāʻau hoʻoholo, hoʻihoʻi logistic, kākoʻo i nā mīkini vector, neural network, a me nā mea ʻē aʻe. E hoʻoholo ʻia ka algorithm āu e koho ai e ke ʻano o ka pilikia āu e hoʻāʻo nei e pane, ke ʻano o ka ʻikepili i loaʻa iā ʻoe, a me kāu pono hana.
E hoʻohana mākou i ka papa kuhikuhi kumu lāʻau hoʻoholo no kēia laʻana no ka mea ke hana nei mākou me kahi pilikia hoʻohālikelike (ke wānana ʻana i ka ʻikepili categorical).
# Import necessary libraries
from sklearn.tree import DecisionTreeClassifier
Eia kahi hiʻohiʻona o ka hana ʻana o ka Decision Tree Classifier:
4. E aʻo i ke kumu hoʻohālike
Hiki iā ʻoe ke hoʻomaka i ke aʻo ʻana i ke kumu hoʻohālike ke koho ʻoe i kahi algorithm aʻo mīkini e ʻae ʻia. Hoʻopili kēia i ka hoʻohana ʻana i ka ʻikepili i hana mua ʻia e aʻo i ka algorithm e pili ana i ka hana ʻana i nā wānana i ka ʻikepili hou a ʻike ʻole ʻia.
E hoʻololi ka algorithm i kona mau ʻāpana kūloko i ka wā o ke aʻo ʻana e hōʻemi i ka ʻokoʻa ma waena o kāna mau waiwai wānana a me nā waiwai maoli i ka ʻikepili aʻo. ʻO ka nui o ka ʻikepili i hoʻohana ʻia no ka hoʻomaʻamaʻa ʻana, a me nā ʻāpana kikoʻī o ka algorithm, hiki ke loaʻa ka hopena i ka pololei o ke kumu hoʻohālike.
I kā mākou laʻana kikoʻī, i kēia manawa ua hoʻoholo mākou i kahi ala, hiki iā mākou ke hoʻomaʻamaʻa i kā mākou kumu hoʻohālike me ka ʻikepili aʻo.
# Train the decision tree classifier
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
5. E loiloi i ke kŘkohu
Ma hope o ka hoʻomaʻamaʻa ʻana i ke kumu hoʻohālike, pono e loiloi ʻia ma nā ʻikepili hou e hōʻoia i ka pololei a hilinaʻi. Hoʻopili kēia i ka hoʻāʻo ʻana i ke kumu hoʻohālike me ka ʻikepili i hoʻohana ʻole ʻia i ka wā hoʻomaʻamaʻa a me ka hoʻohālikelike ʻana i kāna mau waiwai i manaʻo ʻia me nā waiwai maoli i ka ʻikepili hoʻāʻo.
Hiki i kēia loiloi ke kōkua i ka ʻike ʻana i nā hemahema o ke kumu hoʻohālike, e like me ka overfitting a i ʻole underfitting, a hiki ke alakaʻi i nā hoʻoponopono maikaʻi e pono ai.
Ke hoʻohana nei i ka ʻikepili hoʻāʻo, e loiloi mākou i ka pololei o kā mākou kumu hoʻohālike.
# Import necessary libraries
from sklearn.metrics import accuracy_score
# Predict the music genre for the test data
predictions = model.predict(X_test)
# Evaluate the model's accuracy
accuracy = accuracy_score(y_test, predictions)
print("Accuracy: ", accuracy)
ʻAʻole ʻino loa ka helu pololei i kēia manawa. 🙂 No ka hoʻomaikaʻi ʻana i kāu helu pololei, hiki iā ʻoe ke hoʻomaʻemaʻe mau i ka ʻikepili a i ʻole e hoʻāʻo i nā hiʻohiʻona aʻo mīkini ʻokoʻa e ʻike i ka mea e hāʻawi i ka helu kiʻekiʻe.
6. Hoʻoponopono maikaʻi i ke kumu hoʻohālike
Inā ʻaʻole lawa ka maikaʻi o ke kumu hoʻohālike, hiki iā ʻoe ke hoʻoponopono iā ia ma ka hoʻololi ʻana i nā ʻāpana algorithm like ʻole a i ʻole ma ka hoʻāʻo ʻana me nā algorithm hou loa.
Hiki i kēia kaʻina hana ke hoʻokolohua me nā helu aʻo ʻē aʻe, hoʻololi i nā hoʻonohonoho hoʻonohonoho maʻamau, a i ʻole ka hoʻololi ʻana i ka helu a i ʻole ka nui o nā papa huna i loko o kahi pūnaewele neural.
7. E hoʻohana i ke kumu hoʻohālike
Ke ʻoliʻoli ʻoe i ka hana ʻana o ke kumu hoʻohālike, hiki iā ʻoe ke hoʻomaka e hoʻohana iā ia e hana i nā wānana no ka ʻikepili hou.
Pono paha kēia i ka hānai ʻana i ka ʻikepili hou i loko o ke kumu hoʻohālike a me ka hoʻohana ʻana i nā ʻāpana i aʻo ʻia e ke kumu hoʻohālike e hana i nā wānana ma kēlā ʻikepili, a i ʻole ka hoʻohui ʻana i ke kumu hoʻohālike i kahi noi ākea a ʻōnaehana paha.
Hiki iā mākou ke hoʻohana i kā mākou kumu hoʻohālike e hana i nā wānana i nā ʻikepili hou ma hope o ko mākou hauʻoli ʻana i kona pololei. Hiki iā ʻoe ke hoʻāʻo i nā waiwai like ʻole o ke kāne a me ka makahiki.
# Test the model with new data
new_data = [[25, 1], [30, 0]]
predictions = model.predict(new_data)
print("Predictions: ", predictions)
Hoʻopau
Ua pau mākou i ke aʻo ʻana i kā mākou kumu hoʻohālike aʻo mīkini mua.
Manaʻo wau ua loaʻa iā ʻoe he mea pono. Hiki iā ʻoe ke hoʻāʻo i kēia manawa e hoʻohana i nā ʻano hoʻohālike e like me Linear Regression a i ʻole Random Forest.
Nui nā ʻikepili a me nā pilikia i loko Nā Kaggle inā makemake ʻoe e hoʻomaikaʻi i kāu coding a me ka hoʻomaopopo ʻana i ke aʻo ʻana i ka mīkini.
Waiho i ka Reply