ທ່ານຢາກຈະເລີ່ມຕົ້ນດ້ວຍ ການຮຽນຮູ້ເຄື່ອງຈັກ?
ຂ້າພະເຈົ້າໄດ້ສ້າງເປັນ tutorial ງ່າຍດາຍແລະງ່າຍດາຍສໍາລັບຜູ້ເລີ່ມສົມບູນ. ຮ່ວມກັນ, ພວກເຮົາຈະຜ່ານຂັ້ນຕອນພື້ນຖານຂອງການຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ.
ໃນຂະນະທີ່ອະທິບາຍຂັ້ນຕອນຂອງການຝຶກອົບຮົມຕົວແບບຫນຶ່ງໂດຍຫນຶ່ງ, ຂ້າພະເຈົ້າຍັງຈະໃຫ້ຕົວຢ່າງພື້ນຖານຫຼາຍຂອງບັນຫາການຮຽນຮູ້ເຄື່ອງຈັກເຊັ່ນດຽວກັນ. ດັ່ງນັ້ນ, ຖ້າທ່ານຕ້ອງການປະຕິບັດຕາມ, ທ່ານສາມາດດາວໂຫລດຊຸດຂໍ້ມູນຕົວຢ່າງນີ້ຈາກນີ້ ການເຊື່ອມຕໍ່.
ນີ້ແມ່ນພຽງແຕ່ຊຸດຂໍ້ມູນຕົວຢ່າງເພື່ອຊ່ວຍໃຫ້ທ່ານເລີ່ມຕົ້ນການຮຽນຮູ້ເຄື່ອງຈັກ.
ພວກເຮົາມີ 18 ຄຸນຄ່າຂອງຄົນທີ່ມີອາຍຸແລະເພດທີ່ແຕກຕ່າງກັນທີ່ມີການກໍານົດດົນຕີ favorite ຂອງເຂົາເຈົ້າ. ໂດຍການນໍາໃຊ້, ລັກສະນະຂອງ "ອາຍຸ" ແລະ "ເພດ" ພວກເຮົາຈະພະຍາຍາມເດົາວ່າປະເພດຂອງດົນຕີແມ່ນ favorite ຂອງເຂົາເຈົ້າ.
ໝາຍເຫດ: 1 ແລະ 0 ຖືກກຳນົດໃຫ້ເພດເປັນເພດຍິງ ແລະເພດຊາຍໃນຊຸດຂໍ້ມູນນີ້.
ຢ່າງໃດກໍຕາມ, ຖ້າຫາກວ່າທ່ານບໍ່ຕ້ອງການທີ່ຈະປະຕິບັດຕາມຕົວຢ່າງ, ມັນຍັງດີເລີດ. ຂ້ອຍຈະອະທິບາຍຂັ້ນຕອນທັງໝົດເຫຼົ່ານີ້ໃຫ້ລະອຽດ. ດັ່ງນັ້ນ, ໃຫ້ dive ໃນ!
ສິ່ງທໍາອິດທີ່ຄວນຮູ້
ກ່ອນທີ່ຈະເຂົ້າໄປໃນຂັ້ນຕອນຂອງການຝຶກອົບຮົມຕົວແບບ, ໃຫ້ພວກເຮົາຊີ້ແຈງບາງຈຸດ. ການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນ ປັນຍາປະດິດ ລະບຽບວິໄນທີ່ສຸມໃສ່ການພັດທະນາ algorithms ທີ່ສາມາດຮຽນຮູ້ຈາກຂໍ້ມູນ.
ເພື່ອເຮັດສິ່ງນີ້, ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ຖືກຝຶກອົບຮົມກ່ຽວກັບຊຸດຂໍ້ມູນທີ່ສອນຕົວແບບວິທີການເຮັດການຄາດເດົາທີ່ຖືກຕ້ອງຫຼື ການຈັດປະເພດ ຢູ່ໃນຂໍ້ມູນສົດ, ທີ່ບໍ່ຮູ້ມາກ່ອນ.
ດັ່ງນັ້ນ, ຮູບແບບເຫຼົ່ານີ້ແມ່ນຫຍັງ? ກ ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ ແມ່ນຄ້າຍຄືກັນກັບສູດທີ່ຄອມພິວເຕີໃຊ້ເພື່ອສ້າງການຄາດຄະເນຂໍ້ມູນຫຼືທາງເລືອກ.
ຮູບແບບ, ເຊັ່ນສູດ, ປະຕິບັດຕາມຊຸດຄໍາແນະນໍາເພື່ອປະເມີນຂໍ້ມູນແລະສ້າງການຄາດເດົາຫຼືຄໍາຕັດສິນໂດຍອີງໃສ່ຮູບແບບທີ່ພົບໃນຂໍ້ມູນ. ຂໍ້ມູນຫຼາຍທີ່ຕົວແບບໄດ້ຮັບການຝຶກອົບຮົມ, ການຄາດຄະເນຂອງມັນຖືກຕ້ອງຫຼາຍຂຶ້ນ.
ພວກເຮົາສາມາດຝຶກອົບຮົມແບບໃດ?
ມາເບິ່ງກັນວ່າແບບພື້ນຖານການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນຫຍັງ.
- Linear Regression: ຮູບແບບທີ່ຄາດຄະເນຕົວແປເປົ້າໝາຍຢ່າງຕໍ່ເນື່ອງຈາກຕົວແປການປ້ອນຂໍ້ມູນໜຶ່ງ ຫຼືຫຼາຍຕົວ.
- ເຄືອຂ່າຍ neural: ເຄືອຂ່າຍຂອງ nodes ເຊື່ອມຕໍ່ທີ່ສາມາດຮຽນຮູ້ທີ່ຈະກວດພົບຮູບແບບທີ່ສັບສົນໃນຂໍ້ມູນ.
- ຕົ້ນໄມ້ການຕັດສິນໃຈ: ວິທີການຕັດສິນໃຈທີ່ສ້າງຂຶ້ນໃນຕ່ອງໂສ້ຂອງການຕັດສິນໃຈຖ້າຫາກວ່າອື່ນໆ.
- ການຈັດກຸ່ມ: ຊຸດຂອງແບບຈໍາລອງທີ່ຈັດກຸ່ມຈຸດຂໍ້ມູນທີ່ປຽບທຽບໄດ້ໂດຍອີງໃສ່ຄວາມຄ້າຍຄືກັນ.
- Logistic Regression: ເປັນຕົວແບບສໍາລັບບັນຫາການຈັດປະເພດຄູ່ທີ່ຕົວແປເປົ້າໝາຍມີສອງຄ່າທີ່ເປັນໄປໄດ້.
- ຕົ້ນໄມ້ການຕັດສິນໃຈ: ວິທີການຕັດສິນໃຈທີ່ສ້າງຂຶ້ນໃນຕ່ອງໂສ້ຂອງການຕັດສິນໃຈຖ້າຫາກວ່າອື່ນໆ.
- Random Forest: ເປັນຕົວແບບກຸ່ມທີ່ປະກອບດ້ວຍຕົ້ນໄມ້ຕັດສິນໃຈຈໍານວນຫລາຍ. ພວກມັນຖືກນໍາໃຊ້ເລື້ອຍໆສໍາລັບຄໍາຮ້ອງສະຫມັກການຈັດປະເພດແລະການຖົດຖອຍ.
- K-Nearest Neighbors: ຮູບແບບທີ່ຄາດຄະເນຕົວແປເປົ້າຫມາຍໂດຍໃຊ້ຈຸດຂໍ້ມູນ k-ໃກ້ທີ່ສຸດໃນຊຸດຝຶກອົບຮົມ.
ອີງຕາມບັນຫາ ແລະຊຸດຂໍ້ມູນຂອງພວກເຮົາ, ພວກເຮົາຕັດສິນໃຈວ່າຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກໃດທີ່ເໝາະສົມກັບສະຖານະການຂອງພວກເຮົາຫຼາຍທີ່ສຸດ. ຢ່າງໃດກໍຕາມ, ພວກເຮົາຈະກັບຄືນໄປຫາເລື່ອງນີ້ຕໍ່ມາ. ດຽວນີ້, ໃຫ້ເລີ່ມຕົ້ນການຝຶກອົບຮົມຕົວແບບຂອງພວກເຮົາ. ຂ້ອຍຫວັງວ່າເຈົ້າໄດ້ດາວໂຫລດແລ້ວ ຊຸດຂໍ້ມູນ ຖ້າທ່ານຕ້ອງການປະຕິບັດຕາມຕົວຢ່າງຂອງພວກເຮົາ.
ນອກຈາກນີ້, ຂ້າພະເຈົ້າແນະນໍາໃຫ້ມີ ປື້ມບັນທຶກ Jupyter ຕິດຕັ້ງຢູ່ໃນເຄື່ອງທ້ອງຖິ່ນຂອງທ່ານແລະນໍາໃຊ້ມັນສໍາລັບໂຄງການການຮຽນຮູ້ເຄື່ອງຈັກຂອງທ່ານ.
1: ກໍານົດບັນຫາ
ຂັ້ນຕອນທໍາອິດໃນ ການຝຶກອົບຮົມການຮຽນຮູ້ເຄື່ອງຈັກ ຮູບແບບແມ່ນກໍານົດບັນຫາທີ່ຈະແກ້ໄຂ. ນີ້ປະກອບມີການເລືອກຕົວແປທີ່ທ່ານຕ້ອງການທີ່ຈະຄາດຄະເນ (ເອີ້ນວ່າຕົວແປເປົ້າຫມາຍ) ແລະຕົວແປທີ່ຈະຖືກນໍາໃຊ້ເພື່ອສ້າງການຄາດຄະເນເຫຼົ່ານັ້ນ (ເອີ້ນວ່າລັກສະນະຫຼືການຄາດຄະເນ).
ທ່ານກໍ່ຄວນຕັດສິນໃຈວ່າບັນຫາການຮຽນຮູ້ເຄື່ອງຈັກອັນໃດທີ່ເຈົ້າພະຍາຍາມແກ້ໄຂ (ການຈັດປະເພດ, ການຖົດຖອຍ, ການຈັດກຸ່ມ, ແລະອື່ນໆ) ແລະຂໍ້ມູນປະເພດໃດແດ່ທີ່ເຈົ້າຈະຕ້ອງໄດ້ຮວບຮວມ ຫຼື ຝຶກອົບຮົມຕົວແບບຂອງເຈົ້າ.
ປະເພດຂອງຕົວແບບທີ່ເຈົ້າຈ້າງຈະຖືກກໍານົດໂດຍປະເພດຂອງບັນຫາການຮຽນຮູ້ເຄື່ອງຈັກທີ່ເຈົ້າຕັ້ງໃຈທີ່ຈະແກ້ໄຂ. ການຈັດປະເພດ, regression, ແລະກຸ່ມແມ່ນສາມປະເພດຕົ້ນຕໍຂອງ ສິ່ງທ້າທາຍການຮຽນຮູ້ເຄື່ອງຈັກ. ເມື່ອທ່ານຕ້ອງການຄາດຄະເນຕົວແປປະເພດ, ເຊັ່ນວ່າອີເມວເປັນ spam ຫຼືບໍ່, ທ່ານໃຊ້ການຈັດປະເພດ.
ເມື່ອທ່ານຕ້ອງການຄາດຄະເນຕົວປ່ຽນແປງຢ່າງຕໍ່ເນື່ອງ, ຄືກັບລາຄາຂອງເຮືອນ, ທ່ານໃຊ້ການຖົດຖອຍ. ການຈັດກຸ່ມແມ່ນໃຊ້ເພື່ອເອົາລາຍການຂໍ້ມູນທີ່ສົມທຽບກັນເຂົ້າກັນໂດຍອີງໃສ່ຄວາມຄ້າຍຄືກັນຂອງພວກມັນ.
ຖ້າພວກເຮົາເບິ່ງຕົວຢ່າງຂອງພວກເຮົາ; ສິ່ງທ້າທາຍຂອງພວກເຮົາແມ່ນເພື່ອກໍານົດຮູບແບບດົນຕີທີ່ຕ້ອງການຂອງບຸກຄົນຈາກເພດແລະອາຍຸຂອງເຂົາເຈົ້າ. ພວກເຮົາຈະໃຊ້ຊຸດຂໍ້ມູນຂອງ 18 ຄົນສຳລັບຕົວຢ່າງນີ້ ແລະຂໍ້ມູນກ່ຽວກັບອາຍຸ, ເພດ ແລະຮູບແບບດົນຕີທີ່ເຂົາເຈົ້າມັກ.
2. ກະກຽມຂໍ້ມູນ
ຫຼັງຈາກທີ່ທ່ານໄດ້ກໍານົດບັນຫາ, ທ່ານຈະຕ້ອງກະກຽມຂໍ້ມູນສໍາລັບການຝຶກອົບຮົມຕົວແບບ. ນີ້ປະກອບມີການທໍາຄວາມສະອາດແລະການປຸງແຕ່ງຂໍ້ມູນ. ດັ່ງນັ້ນ, ພວກເຮົາສາມາດຮັບປະກັນວ່າມັນຢູ່ໃນຮູບແບບທີ່ ບົບການຮຽນຮູ້ເຄື່ອງຈັກ ສາມາດໃຊ້ໄດ້.
ນີ້ອາດຈະປະກອບມີກິດຈະກໍາເຊັ່ນການລຶບຄ່າທີ່ຂາດຫາຍໄປ, ການຫັນປ່ຽນຂໍ້ມູນປະເພດເປັນຂໍ້ມູນຕົວເລກ, ແລະການຂະຫຍາຍຂໍ້ມູນຫຼືການເຮັດໃຫ້ຂໍ້ມູນເປັນປົກກະຕິເພື່ອຮັບປະກັນລັກສະນະທັງຫມົດຢູ່ໃນຂະຫນາດດຽວກັນ.
ຕົວຢ່າງ, ນີ້ແມ່ນວິທີທີ່ທ່ານລຶບຄ່າທີ່ຂາດຫາຍໄປ:
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())
ຫມາຍເຫດເລັກນ້ອຍ: ໃນແຖວ o "import pandas as pd",
ພວກເຮົານໍາເຂົ້າຫ້ອງສະຫມຸດ Pandas ແລະກໍານົດມັນນາມແຝງ "pd" ເພື່ອເຮັດໃຫ້ມັນງ່າຍຕໍ່ການອ້າງອີງຫນ້າທີ່ແລະວັດຖຸຂອງມັນຕໍ່ມາໃນລະຫັດ.
Pandas ເປັນໂມດູນທີ່ມີຊື່ສຽງສໍາລັບ Python ສໍາລັບການຈັດການຂໍ້ມູນແລະການວິເຄາະ, ໂດຍສະເພາະໃນເວລາທີ່ເຮັດວຽກກັບຂໍ້ມູນທີ່ມີໂຄງສ້າງຫຼືຕາຕະລາງ.
ໃນຕົວຢ່າງຂອງພວກເຮົາໃນການກໍານົດປະເພດດົນຕີ. ທໍາອິດພວກເຮົາຈະນໍາເຂົ້າຊຸດຂໍ້ມູນ. ຂ້າພະເຈົ້າໄດ້ຕັ້ງຊື່ມັນ music.csv, ຢ່າງໃດກໍຕາມ, ທ່ານສາມາດຕັ້ງຊື່ມັນຕາມທີ່ທ່ານຕ້ອງການ.
ເພື່ອກະກຽມຂໍ້ມູນສໍາລັບການຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ, ພວກເຮົາແຍກມັນອອກເປັນຄຸນລັກສະນະ (ອາຍຸແລະເພດ) ແລະຈຸດປະສົງ (ປະເພດດົນຕີ).
ນອກຈາກນັ້ນ, ພວກເຮົາຍັງຈະແບ່ງຂໍ້ມູນອອກເປັນ 80:20 ຊຸດການຝຶກອົບຮົມ ແລະການທົດສອບເພື່ອປະເມີນປະສິດທິພາບຂອງຕົວແບບຂອງພວກເຮົາ ແລະ ຫຼີກເວັ້ນການ overfitting.
# 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. ເລືອກຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ.
ຫຼັງຈາກທີ່ທ່ານໄດ້ກະກຽມຂໍ້ມູນ, ທ່ານຕ້ອງເລືອກຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ເຫມາະສົມກັບວຽກງານຂອງທ່ານ.
ມີຫຼາຍວິທີທີ່ຈະເລືອກເອົາ, ເຊັ່ນ: ຕົ້ນໄມ້ການຕັດສິນໃຈ, ການຖົດຖອຍຂອງ logistic, ສະຫນັບສະຫນູນເຄື່ອງຈັກ vector, ເຄືອຂ່າຍ neural, ແລະອື່ນໆ. ສູດການຄິດໄລ່ທີ່ທ່ານເລືອກຈະຖືກກໍານົດໂດຍປະເພດຂອງບັນຫາທີ່ທ່ານກໍາລັງພະຍາຍາມຕອບ, ປະເພດຂອງຂໍ້ມູນທີ່ທ່ານມີ, ແລະຄວາມຕ້ອງການການປະຕິບັດຂອງທ່ານ.
ພວກເຮົາຈະໃຊ້ຕົວຈັດປະເພດຕົ້ນໄມ້ການຕັດສິນໃຈສໍາລັບຕົວຢ່າງນີ້ເພາະວ່າພວກເຮົາກໍາລັງເຮັດວຽກກັບບັນຫາການຈັດປະເພດ (ການຄາດເດົາຂໍ້ມູນປະເພດ).
# Import necessary libraries
from sklearn.tree import DecisionTreeClassifier
ນີ້ແມ່ນການສະແດງພາບຂອງວິທີການ Decision Tree Classifier ເຮັດວຽກ:
4. ຝຶກອົບຮົມແບບຈໍາລອງ
ທ່ານສາມາດເລີ່ມຕົ້ນການຝຶກອົບຮົມແບບຈໍາລອງໄດ້ເມື່ອທ່ານໄດ້ເລືອກລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ຍອມຮັບໄດ້. ນີ້ປະກອບມີການນໍາໃຊ້ຂໍ້ມູນທີ່ສ້າງຂຶ້ນໃນເມື່ອກ່ອນເພື່ອສຶກສາສູດການຄິດໄລ່ກ່ຽວກັບວິທີການຄາດຄະເນກ່ຽວກັບຂໍ້ມູນທີ່ສົດຊື່ນ, ບໍ່ເຄີຍເຫັນໃນເມື່ອກ່ອນ.
ສູດການຄິດໄລ່ຈະດັດແປງຕົວກໍານົດການພາຍໃນຂອງມັນໃນລະຫວ່າງການຝຶກອົບຮົມເພື່ອຫຼຸດຜ່ອນຄວາມແຕກຕ່າງລະຫວ່າງຄ່າທີ່ຄາດຄະເນຂອງມັນແລະມູນຄ່າຕົວຈິງໃນຂໍ້ມູນການຝຶກອົບຮົມ. ປະລິມານຂອງຂໍ້ມູນທີ່ນໍາໃຊ້ສໍາລັບການຝຶກອົບຮົມ, ເຊັ່ນດຽວກັນກັບຕົວກໍານົດການສະເພາະຂອງ algorithm, ທັງຫມົດສາມາດມີຜົນກະທົບກ່ຽວກັບຄວາມຖືກຕ້ອງຂອງຮູບແບບຜົນໄດ້ຮັບ.
ໃນຕົວຢ່າງສະເພາະຂອງພວກເຮົາ, ໃນປັດຈຸບັນທີ່ພວກເຮົາໄດ້ຕັດສິນໃຈກ່ຽວກັບວິທີການ, ພວກເຮົາສາມາດຝຶກອົບຮົມຕົວແບບຂອງພວກເຮົາກັບຂໍ້ມູນການຝຶກອົບຮົມ.
# Train the decision tree classifier
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
5. ປະເມີນຕົວແບບ
ຫຼັງຈາກຮູບແບບດັ່ງກ່າວໄດ້ຮັບການຝຶກອົບຮົມ, ມັນຕ້ອງໄດ້ຮັບການປະເມີນຂໍ້ມູນໃຫມ່ເພື່ອຮັບປະກັນວ່າມັນຖືກຕ້ອງແລະເຊື່ອຖືໄດ້. ນີ້ປະກອບມີການທົດສອບແບບຈໍາລອງທີ່ມີຂໍ້ມູນທີ່ບໍ່ໄດ້ໃຊ້ໃນລະຫວ່າງການຝຶກອົບຮົມແລະການປຽບທຽບມູນຄ່າຄາດຄະເນຂອງມັນກັບມູນຄ່າຕົວຈິງໃນຂໍ້ມູນການທົດສອບ.
ການທົບທວນຄືນນີ້ສາມາດຊ່ວຍໃນການກໍານົດຂໍ້ບົກພ່ອງຂອງຕົວແບບ, ເຊັ່ນ: overfitting ຫຼື underfitting, ແລະສາມາດນໍາໄປສູ່ການປັບລະອຽດທີ່ອາດຈະຕ້ອງການ.
ການນໍາໃຊ້ຂໍ້ມູນການທົດສອບ, ພວກເຮົາຈະປະເມີນຄວາມຖືກຕ້ອງຂອງຕົວແບບຂອງພວກເຮົາ.
# 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)
ຄະແນນຄວາມຖືກຕ້ອງແມ່ນບໍ່ດີຫຼາຍສໍາລັບໃນປັດຈຸບັນ. 🙂 ເພື່ອປັບປຸງຄະແນນຄວາມຖືກຕ້ອງຂອງທ່ານ, ທ່ານສາມາດເຮັດຄວາມສະອາດຂໍ້ມູນໄດ້ຕະຫຼອດເວລາ ຫຼືລອງໃຊ້ເຄື່ອງຈັກການຮຽນຮູ້ແບບຕ່າງໆເພື່ອເບິ່ງວ່າອັນໃດໃຫ້ຄະແນນສູງສຸດ.
6. ປັບຕົວແບບຢ່າງລະອຽດ
ຖ້າປະສິດຕິພາບຂອງຕົວແບບບໍ່ພຽງພໍ, ທ່ານສາມາດປັບປ່ຽນມັນໄດ້ໂດຍການປ່ຽນຕົວກໍານົດການ algorithm ຕ່າງໆ ຫຼືໂດຍການທົດລອງກັບ algorithms ໃໝ່ທັງໝົດ.
ຂັ້ນຕອນນີ້ອາດຈະປະກອບມີການທົດລອງກັບອັດຕາການຮຽນຮູ້ທາງເລືອກ, ແກ້ໄຂການຕັ້ງຄ່າປົກກະຕິ, ຫຼືການປ່ຽນແປງຈໍານວນຫຼືຂະຫນາດຂອງຊັ້ນທີ່ເຊື່ອງໄວ້ໃນເຄືອຂ່າຍ neural.
7. ໃຊ້ຕົວແບບ
ເມື່ອທ່ານພໍໃຈກັບການປະຕິບັດຂອງຕົວແບບ, ທ່ານສາມາດເລີ່ມຕົ້ນໃຊ້ມັນເພື່ອສ້າງການຄາດຄະເນກ່ຽວກັບຂໍ້ມູນໃຫມ່.
ນີ້ອາດຈະເຮັດໃຫ້ການປ້ອນຂໍ້ມູນສົດໃສ່ຕົວແບບ ແລະນໍາໃຊ້ຕົວກໍານົດການທີ່ໄດ້ຮຽນຮູ້ຂອງຕົວແບບເພື່ອສ້າງການຄາດຄະເນກ່ຽວກັບຂໍ້ມູນນັ້ນ, ຫຼືການລວມຕົວແບບເຂົ້າໄປໃນແອັບພລິເຄຊັນ ຫຼືລະບົບທີ່ກວ້າງຂຶ້ນ.
ພວກເຮົາສາມາດໃຊ້ຕົວແບບຂອງພວກເຮົາເພື່ອສ້າງການຄາດຄະເນກ່ຽວກັບຂໍ້ມູນໃຫມ່ຫຼັງຈາກທີ່ພວກເຮົາພໍໃຈກັບຄວາມຖືກຕ້ອງຂອງມັນ. ທ່ານສາມາດທົດລອງຄຸນຄ່າທີ່ແຕກຕ່າງກັນຂອງເພດແລະອາຍຸ.
# Test the model with new data
new_data = [[25, 1], [30, 0]]
predictions = model.predict(new_data)
print("Predictions: ", predictions)
ສະຫຼຸບ
ພວກເຮົາໄດ້ສໍາເລັດການຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກທໍາອິດຂອງພວກເຮົາ.
ຂ້ອຍຫວັງວ່າເຈົ້າພົບວ່າມັນເປັນປະໂຫຍດ. ຕອນນີ້ທ່ານສາມາດລອງໃຊ້ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກຕ່າງໆເຊັ່ນ Linear Regression ຫຼື Random Forest.
ມີຫຼາຍຊຸດຂໍ້ມູນ ແລະສິ່ງທ້າທາຍໃນ Kaggle ຖ້າທ່ານຕ້ອງການປັບປຸງການຂຽນລະຫັດຂອງທ່ານແລະຄວາມເຂົ້າໃຈກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກ.
ອອກຈາກ Reply ເປັນ