Kei te pirangi koe ki te timata akoranga mīhini?
Kua hanga e ahau he akoranga ngawari me te ngawari mo te hunga timatanga. Ka haere tahi tatou ki runga i nga huarahi taketake o te whakangungu tauira ako miihini.
I a au e whakamarama ana i nga hikoinga o te whakangungu i tetahi tauira, ka hoatu ano e ahau he tauira tino taketake o te raru ako miihini. Na, ki te pirangi koe ki te whai atu, ka taea e koe te tango i tenei tauira huinga raraunga mai i tenei hono.
He tauira raraunga noa tenei hei awhina i a koe ki te timata ki te ako miihini.
He 18 a matou uara o nga tangata o nga reanga rereke me nga ira tangata kua tautuhia o raatau puoro tino pai. Ma te whakamahi, ko nga ahuatanga o te "tau" me te "ira tangata" ka ngana tatou ki te whakaaro ko tehea momo puoro e pai ana ki a raatau.
Tuhipoka: Ko te 1 me te 0 kua tohua ki nga ira tangata hei wahine me te tane i roto i tenei huingararaunga.
Heoi, ki te kore koe e pai ki te whai i te tauira, he pai rawa atu. Ka whakamarama au i enei mahi katoa. No reira, me ruku tatou!
Nga mea tuatahi hei mohio
I mua i te haere ki nga hikoinga o te whakangungu tauira, me whakamarama etahi korero. Ko te ako miihini he mātauranga horihori te ako e aro ana ki te whakawhanake i nga algorithm ka taea te ako mai i nga raraunga.
Hei mahi i tenei, ka whakangunguhia nga tauira ako miihini ki runga i te huingararaunga e ako ana i te tauira ki te hanga matapae tika ranei whakarōpū i runga i nga raraunga hou, kaore i mohiotia i mua.
Na, he aha enei tauira? A tauira akoranga miihini he rite ki te tunu ka whakamahia e te rorohiko ki te whakaputa matapae raraunga, whiringa ranei.
Ko te tauira, penei i te tunu, ka whai i te huinga tohutohu hei arotake i nga raraunga me te whakaputa matapae, whakatau ranei i runga i nga tauira ka kitea i roto i nga raraunga. Ko te nui ake o nga raraunga e whakangungua ana te tauira, ka tika ake ana matapae.
He aha te ahua o nga tauira ka taea e tatou te whakangungu?
Kia kite tatou he aha nga tauira ako miihini taketake.
- Rereihana Raina: he tauira e matapae ana i te taurangi whainga tonu mai i te kotahi neke atu ranei o nga taurangi whakauru.
- Whatunga Neural: he whatunga o nga pona hono ka taea te ako ki te kite i nga tauira uaua i roto i nga raraunga.
- Nga Rakau Whakatau: he huarahi whakatau i hangaia i runga i te mekameka o nga korero peera.
- Huihuinga: he huinga tauira e whakarōpū ana i nga tohu raraunga whakataurite i runga i te ritenga.
- Rereihana Logistic: he tauira mo nga raruraru whakarōpū-rua e rua nga uara pea o te taurangi taurangi.
- Nga Rakau Whakatau: he huarahi whakatau i hangaia i runga i te mekameka o nga korero peera.
- Ngahere Random: he tauira whakahiato he maha nga rakau whakatau. He maha nga wa e whakamahia ana mo te whakarōpūtanga me nga tono whakamuri.
- K-Nearest Neighbors: he tauira e matapae ana i te taurangi taurangi ma te whakamahi i nga tohu raraunga tata k-tata i te huinga whakangungu.
I runga i o maatau raruraru me te huinga raraunga, ka whakatauhia ko tehea tauira ako miihini e tino pai ana ki o maatau ahuatanga. Heoi, ka hoki mai ano tatou ki tenei i muri mai. Inaianei, me timata taatau ki te whakangungu i to maatau tauira. Ko te tumanako kua oti kee e koe te tango i te takakau ki te hiahia koe ki te whai i to maatau tauira.
Ano, ka tūtohu ahau kia mau Jupyter Notebook kua whakauruhia ki to miihini rohe me te whakamahi mo o kaupapa ako miihini.
1: Tautuhia te raruraru
Ko te wahanga tuatahi i roto whakangungu i te ako miihini Ko te tauira e whakatau ana i te take hei whakaoti. Ko te tikanga tenei ko te kowhiri i nga taurangi e hiahia ana koe ki te matapae (e mohiotia ana ko te taurangi taurangi) me nga taurangi ka whakamahia hei whakaputa i aua matapae (e mohiotia ana ko nga ahuatanga, he tohu tohu ranei).
Me whakatau ano koe he aha te momo raruraru ako miihini e ngana ana koe ki te whakatika (te whakarōpūtanga, te whakahekenga, te whakahiato, me era atu) me te aha te momo raraunga ka hiahia koe ki te kohikohi, ki te whakangungu ranei i to tauira.
Ko te momo tauira ka mahia e koe ka whakatauhia e te momo raru ako miihini e whai ana koe ki te whakaoti. Ko te whakarōpūtanga, te whakahekenga, me te whakarōpūtanga ko nga waahanga tuatahi e toru o nga wero ako miihini. Ki te hiahia koe ki te matapae i tetahi taurangi taurangi, penei i te imeera he mokowhiti, kaore ranei, ka whakamahi koe i te whakarōpūtanga.
Ki te hiahia koe ki te matapae i te taurangi tonu, penei i te utu o te whare, ka whakamahi koe i te regression. Ka whakamahia te whakarōpūtanga ki te whakahiato i nga tuemi raraunga whakataurite i runga i o raatau ritenga.
Ki te titiro tatou ki to tatou tauira; ko ta matou wero ko te whakatau i te ahua waiata e pai ana ki te tangata mai i tona ira tangata me tona tau. Ka whakamahia e matou he huingararaunga tangata 18 mo tenei tauira me nga korero mo o raatau tau, ira tangata, me te momo puoro tino pai.
2. Whakaritehia nga raraunga
I muri i to whakatau i te raru, me whakarite e koe nga raraunga hei whakangungu i te tauira. Ko tenei ko te horoi me te tukatuka i nga raraunga. Na, ka taea e tatou te whakarite kei roto i te whakatakotoranga e te miihini akoranga algorithm Ka taea te whakamahi.
Ka uru pea tenei ki nga mahi penei i te whakakore i nga uara ngaro, te huri i nga raraunga kawai ki te raraunga tau, me te whakatauine, te whakataurite ranei i nga raraunga kia rite ai nga ahuatanga katoa.
Hei tauira, penei te whakakore i nga uara ngaro:
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())
Tuhipoka iti: I te rarangi o "import pandas as pd",
Ka kawemai matou i te whare pukapuka Pandas ka tohua te ingoa ingoa "pd" kia maamaa ake te tohutoro i ana mahi me ana taonga i muri mai i te waehere.
Ko te Pandas he waahanga rongonui mo Python mo te raweke me te tātaritanga raraunga, ina koa ka mahi me nga raraunga hanganga, ripanga ranei.
I roto i ta maatau tauira mo te whakatau i nga momo puoro. Tuatahi ka kawemai tatou i te huingararaunga. Kua whakaingoatia e au ko music.csv, heoi, ka taea e koe te whakaingoa ahakoa e hiahia ana koe.
Hei whakarite i nga raraunga mo te whakangungu i tetahi tauira ako miihini, ka wehewehea e matou ki nga huanga (tau me te ira tangata) me nga whaainga (ahua waiata).
Ka wehea ano e matou nga raraunga ki nga huinga whakangungu 80:20 me nga huinga whakamatautau hei aromatawai i te mahinga o to maatau tauira me te karo i te taapiri.
# 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. Whiriwhiria he tauira ako miihini.
I muri i to whakarite i nga raraunga, me whiriwhiri e koe he tauira ako miihini e tika ana mo to mahi.
He maha nga momo hātepe hei whiriwhiri, penei i nga rakau whakatau, te whakahekenga arorau, nga miihini vector tautoko, nga whatunga neural, me etahi atu. Ko te algorithm e whiriwhiria e koe ka whakatauhia e te ahua o te take e ngana ana koe ki te whakautu, te momo raraunga kei a koe, me o hiahia mahi.
Ka whakamahi matou i te whakarōpū rakau whakatau mo tenei tauira na te mea kei te mahi matou me tetahi raru whakarōpūtanga (te matapae i nga raraunga wehewehe).
# Import necessary libraries
from sklearn.tree import DecisionTreeClassifier
Anei he tirohanga mo te mahi a te Whakatau Rakau Whakatau:
4. Whakangunguhia te tauira
Ka taea e koe te timata ki te whakangungu i te tauira ina kowhiria e koe tetahi algorithm ako-miihini. Ko tenei ko te whakamahi i nga raraunga i hangaia i mua ki te ako i te algorithm me pehea te hanga matapae mo nga raraunga hou, kaore i kitea i mua.
Ka whakarereketia e te algorithm ona tawhā o roto i te wa e whakangungu ana hei whakaiti i te rereketanga i waenga i ona uara matapae me nga uara tuturu i roto i nga raraunga whakangungu. Ko te nui o nga raraunga e whakamahia ana mo te whakangungu, me nga tawhā motuhake o te algorithm, ka pa katoa ki te tika o te tauira ka puta.
I roto i ta maatau tauira motuhake, inaianei kua whakatauhia e matou he tikanga, ka taea e matou te whakangungu i to maatau tauira me nga raraunga whakangungu.
# Train the decision tree classifier
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
5. Aromātaihia te tauira
I muri i te whakangungu o te tauira, me arotake i runga i nga raraunga hou kia mohio ai he tika, he pono. Ko tenei ko te whakamatautau i te tauira me nga raraunga kaore i whakamahia i te wa e whakangungu ana me te whakatairite i ona uara matapae ki nga uara tuuturu i roto i nga raraunga whakamatautau.
Ka taea e tenei arotake te awhina ki te tautuhi i nga koha o nga tauira, penei i te whakakikorua, i te koretake ranei, a ka taea e koe te whakatika i nga mea ka hiahiatia.
Ma te whakamahi i nga raraunga whakamatautau, ka aromatawaihia e matou te tika o to maatau tauira.
# 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)
Ko te kaute tika kaore i te tino kino mo tenei wa. 🙂 Hei whakapai ake i to whiwhinga tika, ka taea e koe te horoi ake i nga raraunga, ka whakamatau ranei i nga tauira ako miihini rereke kia kite ko wai te mea ka nui ake te kaute.
6. Whakapaipaitia te tauira
Mena kaore i te rawaka te kaha o te tauira, ka taea e koe te whakatika ma te whakarereke i nga momo tawhā algorithm, ma te whakamatautau ranei i nga huringa algorithm hou.
Kei roto pea i tenei tikanga ko te whakamatautau i nga reiti ako rereke, te whakarereke i nga tautuhinga whakarite, te whakarereke ranei i te maha, te rahi ranei o nga papa huna i roto i te whatunga neural.
7. Whakamahia te tauira
Ina koa koe ki te mahi a te tauira, ka taea e koe te timata ki te whakaputa matapae mo nga raraunga hou.
Ka whai waahi pea tenei ki te whangai i nga raraunga hou ki roto i te tauira me te whakamahi i nga tawhā ako o te tauira ki te whakaputa matapae i runga i taua raraunga, ki te whakauru ranei i te tauira ki tetahi tono whanui atu ranei.
Ka taea e taatau te whakamahi i ta maatau tauira ki te whakaputa matapae mo nga raraunga hou i muri i to maatau pai ki te tika. Ka taea e koe te whakamatau i nga uara rereke o te ira tangata me te tau.
# Test the model with new data
new_data = [[25, 1], [30, 0]]
predictions = model.predict(new_data)
print("Predictions: ", predictions)
Whakamahia te Up
Kua oti i a maatau te whakangungu i ta maatau tauira ako miihini tuatahi.
Ko taku tumanako kua kitea e koe he whai hua. Ka taea e koe te ngana ki te whakamahi i nga tauira ako miihini rereke penei i te Linear Regression, Random Forest ranei.
He maha nga raraunga me nga wero kei roto Karekare Mena kei te pirangi koe ki te whakapai ake i to tohu me to maarama ki te ako miihini.
Waiho i te Reply