သင်နှင့်စတင်လိုပါသလား။ စက်သင်ယူမှု?
ပြီးပြည့်စုံသော beginner များအတွက် ရိုးရှင်းလွယ်ကူသော ကျူတိုရီရယ်တစ်ခုကို ဖန်တီးထားပါသည်။ အတူတကွ၊ ကျွန်ုပ်တို့သည် စက်သင်ယူမှုပုံစံကို လေ့ကျင့်ခြင်း၏ အခြေခံအဆင့်များကို ကျော်သွားပါမည်။
မော်ဒယ်တစ်ခုကို လေ့ကျင့်ခြင်း၏ အဆင့်များကို တစ်ခုပြီးတစ်ခု ရှင်းပြနေချိန်တွင်၊ စက်သင်ယူမှုပြဿနာ၏ အခြေခံဥပမာကိုလည်း ကျွန်တော်ပြောပြပါမည်။ ထို့ကြောင့် သင်နှင့်အတူ လိုက်ကြည့်လိုပါက ဤနမူနာဒေတာအစုံကို ဤနေရာမှ ဒေါင်းလုဒ်လုပ်နိုင်ပါသည်။ လင့်ခ်.
၎င်းသည် စက်သင်ယူမှုစတင်ရာတွင် အထောက်အကူဖြစ်စေရန် နမူနာဒေတာအတွဲတစ်ခုမျှသာဖြစ်သည်။
ကျွန်ုပ်တို့တွင် ၎င်းတို့၏ စိတ်ကြိုက်ဂီတကို သတ်မှတ်ပေးထားသော အသက်အရွယ်နှင့် ကျားမကွဲပြားသူများ၏ တန်ဖိုး 18 ခုရှိသည်။ အသုံးပြုခြင်းဖြင့်၊ "အသက်" နှင့် "ကျား-မ" တို့၏ အင်္ဂါရပ်များ သည် မည်သည့်တေးဂီတအမျိုးအစားကို ၎င်းတို့အကြိုက်ဆုံးဖြစ်သည်ကို ခန့်မှန်းကြည့်ပါမည်။
မှတ်ချက်- 1 နှင့် 0 တို့ကို ဤဒေတာအတွဲတွင် အမျိုးသမီးနှင့် အမျိုးသားများအဖြစ် ကျားမအဖြစ် သတ်မှတ်ထားသည်။
ဒါပေမယ့် ဥပမာကို မလိုက်နာချင်ဘူးဆိုရင်တော့ ကောင်းပါတယ်။ ဤအဆင့်များအားလုံးကို အသေးစိတ်ရှင်းပြပါမည်။ ဒါဆို ဝင်ကြည့်ရအောင်။
ပထမဆုံး သိထားရမည့်အချက်များ
မော်ဒယ်သင်တန်းမတက်ခင် အချက်အချို့ကို ရှင်းပြပါရစေ။ Machine learning ဆိုတာ တစ်ခုပါ။ ဉာဏ်ရည်တု ဒေတာများမှ သင်ယူနိုင်သော algorithms များကို ဖွံ့ဖြိုးတိုးတက်စေရန် အာရုံစိုက်သည့် စည်းကမ်း။
ထိုသို့လုပ်ဆောင်ရန်၊ မှန်ကန်သော ခန့်မှန်းချက်များကို မည်သို့ပြုလုပ်ရမည်ကို သင်ကြားပေးသော ဒေတာအတွဲတစ်ခုပေါ်တွင် စက်သင်ယူမှုမော်ဒယ်များကို လေ့ကျင့်ထားသည်။ အမျိုးအစား လတ်ဆတ်သော၊ ယခင်က မသိသော အချက်အလက်ပေါ်တွင်
ဒါဆို ဒီမော်ဒယ်တွေက ဘာတွေလဲ။ တစ် စက်သင်ယူမှုမော်ဒယ် အချက်အလက် ခန့်မှန်းချက်များ သို့မဟုတ် ရွေးချယ်မှုများ ပြုလုပ်ရန် ကွန်ပျူတာမှ အသုံးပြုသည့် ဟင်းချက်နည်းနှင့် ဆင်တူသည်။
ဟင်းချက်နည်းကဲ့သို့ မော်ဒယ်တစ်ခုသည် ဒေတာကို အကဲဖြတ်ရန် လမ်းညွှန်ချက်အစုံကို လိုက်နာပြီး ဒေတာတွင် တွေ့ရှိသည့် ပုံစံများအပေါ် အခြေခံ၍ ခန့်မှန်းချက်များ သို့မဟုတ် စီရင်ချက်များကို ထုတ်ပေးပါသည်။ မော်ဒယ်ကို ဒေတာများများ လေ့ကျင့်လေလေ၊ ၎င်း၏ ခန့်မှန်းချက်များ ပိုမိုတိကျလေဖြစ်သည်။
ကျွန်ုပ်တို့ လေ့ကျင့်ပေးနိုင်သော မော်ဒယ်များ ၊
အခြေခံ machine learning model တွေက ဘာတွေလဲ ကြည့်ရအောင်။
- Linear Regression- တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော input variable များမှ စဉ်ဆက်မပြတ် ပစ်မှတ်ကိန်းရှင်ကို ခန့်မှန်းသည့် မော်ဒယ်။
- အာရုံကြောကွန်ရက်များ- ဒေတာများတွင် ရှုပ်ထွေးသောပုံစံများကို ရှာဖွေသိရှိနိုင်စေရန် ချိတ်ဆက်ထားသော ကုဒ်များကွန်ရက်တစ်ခု။
- ဆုံးဖြတ်ချက်သစ်ပင်များ- if-else ဖော်ပြချက်များ၏ အကိုင်းအခက်များပေါ်တွင် တည်ဆောက်ထားသော ဆုံးဖြတ်ချက်ချချဉ်းကပ်မှု။
- အစုလိုက်ဖွဲ့ခြင်း- တူညီမှုအပေါ် အခြေခံ၍ နှိုင်းယှဉ်နိုင်သော ဒေတာအမှတ်များကို အုပ်စုဖွဲ့သည့် မော်ဒယ်လ်အစုံ။
- Logistic Regression- ပစ်မှတ်ကိန်းရှင်တွင် ဖြစ်နိုင်ချေတန်ဖိုးနှစ်ခုပါရှိသည့် ဒွိအမျိုးအစားခွဲခြားခြင်းပြဿနာများအတွက် စံနမူနာတစ်ခု။
- ဆုံးဖြတ်ချက်သစ်ပင်များ- if-else ဖော်ပြချက်များ၏ အကိုင်းအခက်များပေါ်တွင် တည်ဆောက်ထားသော ဆုံးဖြတ်ချက်ချချဉ်းကပ်မှု။
- ကျပန်းသစ်တော- ဆုံးဖြတ်ချက်သစ်ပင်များစွာဖြင့် ဖွဲ့စည်းထားသော အုပ်စုပုံစံ။ ၎င်းတို့ကို အမျိုးအစားခွဲခြင်းနှင့် ဆုတ်ယုတ်ခြင်းအတွက် မကြာခဏအသုံးပြုကြသည်။
- K-Nearest Neighbors- လေ့ကျင့်ရေးအစုရှိ k-အနီးဆုံးဒေတာအမှတ်များကို အသုံးပြု၍ ပစ်မှတ်ကိန်းရှင်ကို ခန့်မှန်းပေးသည့် မော်ဒယ်။
ကျွန်ုပ်တို့၏ ပြဿနာနှင့် ဒေတာအတွဲပေါ်မူတည်၍ မည်သည့်စက်သင်ယူမှုပုံစံသည် ကျွန်ုပ်တို့၏အခြေအနေနှင့် အကိုက်ညီဆုံးဖြစ်ကြောင်း ဆုံးဖြတ်ပါသည်။ ဒါတောင် နောက်မှ ငါတို့ ဒီကိုပြန်လာမယ်။ ကဲ ကျွန်တော်တို့ရဲ့ မော်ဒယ်ကို စပြီး လေ့ကျင့်ကြရအောင်။ ဒေါင်းလုဒ်လုပ်ပြီးပြီလို့ မျှော်လင့်ပါတယ်။ Datasets ကျွန်ုပ်တို့၏ စံနမူနာကို လိုက်နာလိုပါက၊
ရှိဖို့လည်း အကြံပြုချင်ပါတယ်။ ဂျူပီတာမှတ်စုစာအုပ် သင့်စက်တွင်းစက်တွင် ထည့်သွင်းပြီး သင့်စက်သင်ယူမှုပရောဂျက်များအတွက် ၎င်းကိုအသုံးပြုပါ။
1- ပြဿနာကို သတ်မှတ်ပါ။
ပထမအဆင့်မှာ machine learning လေ့ကျင့်ခြင်း။ မော်ဒယ်က ဖြေရှင်းရမယ့် ပြဿနာကို သတ်မှတ်ပါတယ်။ ၎င်းတွင် သင်ခန့်မှန်းလိုသော ကိန်းရှင်များ (ပစ်မှတ်ကိန်းရှင်ဟု လူသိများသည်) နှင့် အဆိုပါ ခန့်မှန်းချက်များကို ဖန်တီးရန်အတွက် အသုံးပြုမည့် ကိန်းရှင်များ (အင်္ဂါရပ်များ သို့မဟုတ် ကြိုတင်ခန့်မှန်းသူများဟု သိကြ) ကို ရွေးချယ်ခြင်း ပါဝင်သည်။
သင်ဖြေရှင်းရန်ကြိုးစားနေသည့် စက်သင်ယူမှုပြဿနာ (အမျိုးအစားခွဲခြင်း၊ ဆုတ်ယုတ်ခြင်း၊ အစုအဝေးပြုလုပ်ခြင်းစသည်ဖြင့်) နှင့် သင့်မော်ဒယ်ကို လေ့ကျင့်ရန် မည်သည့်ဒေတာအမျိုးအစားကို စုဆောင်းရန် သို့မဟုတ် ရယူရန် လိုအပ်မည်ကို သင်ဆုံးဖြတ်သင့်သည်။
သင်အသုံးပြုသည့် မော်ဒယ်အမျိုးအစားကို သင်ဖြေရှင်းရန် ရည်ရွယ်ထားသော စက်သင်ယူမှုပြဿနာအမျိုးအစားအလိုက် ဆုံးဖြတ်မည်ဖြစ်သည်။ အမျိုးအစားခွဲခြင်း၊ ဆုတ်ယုတ်ခြင်းနှင့် အစုလိုက်အပြုံလိုက် ခွဲခြားခြင်းတို့သည် အဓိကအမျိုးအစားသုံးမျိုးဖြစ်သည်။ စက်သင်ယူမှုစိန်ခေါ်မှုများ. အီးမေးလ်သည် စပမ်းဟုတ်မဟုတ် ကဲ့သို့သော အမျိုးအစားခွဲကွဲပြားသည့် အမျိုးအစားတစ်ခုကို ခန့်မှန်းလိုသောအခါတွင် သင်သည် အမျိုးအစားခွဲခြားမှုကို အသုံးပြုသည်။
အိမ်တစ်အိမ်၏စျေးနှုန်းကဲ့သို့ အဆက်မပြတ်ပြောင်းလဲနိုင်သောကိန်းရှင်ကို ခန့်မှန်းလိုသောအခါ၊ သင်သည် ဆုတ်ယုတ်မှုကို အသုံးပြုသည်။ ၎င်းတို့၏ ဆင်တူရိုးမှားများကို အခြေခံ၍ နှိုင်းယှဉ်နိုင်သော အချက်အလက်များကို စုစည်းရန် အစုအဝေးကို အသုံးပြုသည်။
ကျွန်ုပ်တို့၏ဥပမာကိုကြည့်လျှင်; ကျွန်ုပ်တို့၏စိန်ခေါ်မှုမှာ လူတစ်ဦး၏ နှစ်သက်ရာ ဂီတပုံစံကို ၎င်းတို့၏ ကျား၊မနှင့် အသက်အရွယ်တို့မှ ဆုံးဖြတ်ရန်ဖြစ်သည်။ ဤဥပမာနှင့် ၎င်းတို့၏ အသက်၊ ကျား၊ မနှင့် အကြိုက်ဆုံးဂီတစတိုင်ဆိုင်ရာ အချက်အလက်များအတွက် လူ 18 ဦး၏ ဒေတာအစုံကို ကျွန်ုပ်တို့ အသုံးပြုပါမည်။
2. အချက်အလက်ပြင်ဆင်ပါ။
ပြဿနာကို သင်သတ်မှတ်ပြီးနောက်၊ မော်ဒယ်ကို လေ့ကျင့်ရန်အတွက် ဒေတာကို ပြင်ဆင်ရန် လိုအပ်ပါသည်။ ဤအရာသည် ဒေတာကို သန့်ရှင်းရေးနှင့် လုပ်ဆောင်ခြင်းတွင် ပါဝင်ပါသည်။ ဒါမှလည်း အဲဒါက format နဲ့ဖြစ်မှာ သေချာတယ်။ စက်သင်ယူမှု algorithm ကို သုံးနိုင်သည်
၎င်းတွင် ပျောက်ဆုံးနေသော တန်ဖိုးများကို ဖျက်ခြင်း၊ အမျိုးအစားအလိုက် ဒေတာကို ဂဏန်းဒေတာအဖြစ် ပြောင်းလဲခြင်းနှင့် လက္ခဏာအားလုံး တူညီကြောင်း သေချာစေရန် ဒေတာကို အတိုင်းအတာ သို့မဟုတ် ပုံမှန်ပြုလုပ်ခြင်းကဲ့သို့သော လုပ်ဆောင်ချက်များ ပါဝင်နိုင်သည်။
ဥပမာအားဖြင့်၊ ပျောက်ဆုံးနေသောတန်ဖိုးများကို သင်ဖျက်ပုံမှာ ဤသို့ဖြစ်သည်-
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())
မှတ်စုငယ်- o “လိုင်းတွင်၊import pandas as pd",
ကျွန်ုပ်တို့သည် Pandas စာကြည့်တိုက်ကို တင်သွင်းပြီး ကုဒ်တွင် ၎င်း၏လုပ်ဆောင်ချက်များနှင့် အရာဝတ္ထုများကို နောက်ပိုင်းတွင် ပိုမိုလွယ်ကူစွာ ကိုးကားနိုင်စေရန် ၎င်းကို alias "pd" ဟု သတ်မှတ်ပေးပါသည်။
Pandas သည် အထူးသဖြင့် တည်ဆောက်ပုံ သို့မဟုတ် ဇယားဒေတာဖြင့် လုပ်ဆောင်သောအခါတွင် ဒေတာခြယ်လှယ်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် Python အတွက် လူသိများသော module တစ်ခုဖြစ်သည်။
ဂီတအမျိုးအစားများကို ဆုံးဖြတ်ခြင်း၏ ဥပမာတွင် ဒေတာအတွဲကို ဦးစွာ တင်သွင်းပါမည်။ ကျွန်တော် အဲဒါကို music.csv လို့ နာမည်ပေးထားပေမယ့် ကြိုက်သလို နာမည်ပေးနိုင်ပါတယ်။
စက်သင်ယူမှုပုံစံကို လေ့ကျင့်ရန်အတွက် ဒေတာကို ပြင်ဆင်ရန်၊ ၎င်းအား အရည်အချင်းများ (အသက်နှင့် ကျား၊ မ) နှင့် ရည်ရွယ်ချက်များ (ဂီတအမျိုးအစား) အဖြစ် ပိုင်းခြားထားပါသည်။
ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏မော်ဒယ်၏စွမ်းဆောင်ရည်ကိုအကဲဖြတ်ရန်နှင့် အလွန်အကျွံမဝတ်မိစေရန် ဒေတာကို 80:20 လေ့ကျင့်ရေးနှင့် စမ်းသပ်မှုအစုံအဖြစ် ပိုင်းခြားပါမည်။
# 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. စက်သင်ယူမှုပုံစံကို ရွေးချယ်ပါ။
ဒေတာကို သင်ပြင်ဆင်ပြီးပါက၊ သင့်အလုပ်နှင့် ကိုက်ညီသည့် စက်သင်ယူမှုပုံစံကို သင်ရွေးချယ်ရပါမည်။
ဆုံးဖြတ်ချက်သစ်များ၊ ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှု၊ အားနည်းချက်ကို ပံ့ပိုးပေးသည့် စက်များ၊ သင်ရွေးချယ်သော အယ်လဂိုရီသမ်ကို သင်ဖြေဆိုရန်ကြိုးစားနေသည့် ပြဿနာအမျိုးအစား၊ သင့်တွင်ရှိသည့် ဒေတာအမျိုးအစားနှင့် သင့်စွမ်းဆောင်ရည်လိုအပ်ချက်တို့အပေါ် ဆုံးဖြတ်မည်ဖြစ်သည်။
ကျွန်ုပ်တို့သည် အမျိုးအစားခွဲခြားခြင်းပြဿနာ (အမျိုးအစားခွဲဆိုင်ရာဒေတာကို ခန့်မှန်းခြင်း) ဖြင့် လုပ်ဆောင်နေသောကြောင့် ဤဥပမာအတွက် ဆုံးဖြတ်ချက်သစ်ပင်အမျိုးအစားခွဲခြားစနစ်ကို အသုံးပြုပါမည်။
# Import necessary libraries
from sklearn.tree import DecisionTreeClassifier
ဤသည်မှာ Decision Tree Classifier ၏ အလုပ်လုပ်ပုံကို မြင်သာအောင် ဖော်ပြခြင်းဖြစ်ပါသည်။
4. မော်ဒယ်ကိုလေ့ကျင့်ပါ။
လက်ခံနိုင်သော စက်သင်ယူမှု အယ်လဂိုရီသမ်ကို သင်ရွေးချယ်သောအခါ မော်ဒယ်ကို စတင်လေ့ကျင့်နိုင်ပါသည်။ ၎င်းသည် လတ်ဆတ်သော၊ ယခင်က မမြင်ရသော ဒေတာများနှင့်ပတ်သက်၍ ကြိုတင်ခန့်မှန်းချက်ပြုလုပ်နည်းကို အသိပညာပေးရန်အတွက် အယ်လဂိုရီသမ်ကို အသိပညာပေးရန်အတွက် ယခင်ထုတ်လုပ်ထားသောဒေတာကို အသုံးပြုခြင်းတွင် ပါဝင်ပါသည်။
၎င်း၏ ခန့်မှန်းတန်ဖိုးများနှင့် လေ့ကျင့်ရေးဒေတာရှိ အမှန်တကယ်တန်ဖိုးများကြား ခြားနားချက်ကို လျှော့ချရန် လေ့ကျင့်ရေးကာလအတွင်း ၎င်း၏အတွင်းပိုင်းဘောင်များကို ပြုပြင်မွမ်းမံမည်ဖြစ်သည်။ လေ့ကျင့်မှုအတွက် အသုံးပြုသည့် ဒေတာပမာဏအပြင် algorithm ၏ တိကျသော ကန့်သတ်ဘောင်များသည် ထွက်ပေါ်လာသည့် မော်ဒယ်၏ တိကျမှုအပေါ် သက်ရောက်မှုရှိနိုင်သည်။
ကျွန်ုပ်တို့၏ သီးခြားဥပမာတွင်၊ နည်းလမ်းတစ်ခုကို ယခုဆုံးဖြတ်ပြီးပြီဆိုလျှင် ကျွန်ုပ်တို့၏ပုံစံကို လေ့ကျင့်မှုဒေတာဖြင့် လေ့ကျင့်နိုင်ပါသည်။
# Train the decision tree classifier
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
5. မော်ဒယ်ကို အကဲဖြတ်ပါ။
မော်ဒယ်ကို လေ့ကျင့်သင်ကြားပြီးနောက်၊ ၎င်းသည် တိကျပြီး ယုံကြည်စိတ်ချရကြောင်း သေချာစေရန် ဒေတာအသစ်ပေါ်တွင် အကဲဖြတ်ရပါမည်။ ၎င်းသည် လေ့ကျင့်နေစဉ်အတွင်း အသုံးမပြုခဲ့သော ဒေတာဖြင့် မော်ဒယ်ကို စမ်းသပ်ခြင်းနှင့် ၎င်း၏ ပရောဂျက်တန်ဖိုးများကို စမ်းသပ်ဒေတာရှိ အမှန်တကယ်တန်ဖိုးများနှင့် နှိုင်းယှဉ်ခြင်းတို့ပါဝင်သည်။
ဤသုံးသပ်ချက်သည် အံဝင်ခွင်ကျဖြစ်ခြင်း သို့မဟုတ် အံဝင်ခွင်ကျမဖြစ်ခြင်းကဲ့သို့သော မော်ဒယ်ချို့ယွင်းချက်မှန်သမျှကို ဖော်ထုတ်ရာတွင် အထောက်အကူပြုနိုင်ပြီး လိုအပ်နိုင်သည့် ချိန်ညှိမှုများဆီသို့ ဦးတည်သွားစေနိုင်သည်။
စမ်းသပ်မှုဒေတာကို အသုံးပြု၍ ကျွန်ုပ်တို့၏ မော်ဒယ်၏ မှန်ကန်မှုကို အကဲဖြတ်ပါမည်။
# 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)
တိကျမှုရမှတ်က လောလောဆယ် မဆိုးပါဘူး။ 🙂 သင်၏တိကျမှုရမှတ်ကို မြှင့်တင်ရန်၊ သင်သည် ဒေတာကို ပိုမိုသန့်ရှင်းအောင် အမြဲလုပ်ဆောင်နိုင်သည် သို့မဟုတ် မည်သည်က အမှတ်အများဆုံးရနိုင်သည်ကို သိရှိရန် မတူညီသော စက်သင်ယူမှုပုံစံများကို စမ်းသုံးနိုင်သည်။
6. မော်ဒယ်ကို သေချာချိန်ညှိပါ။
မော်ဒယ်၏ ထိရောက်မှု မလုံလောက်ပါက၊ အမျိုးမျိုးသော algorithm ဘောင်များကို ပြောင်းလဲခြင်းဖြင့် သို့မဟုတ် algorithms အသစ်များကို လုံးလုံးလျားလျား စမ်းသပ်ခြင်းဖြင့် ၎င်းကို ကောင်းစွာချိန်ညှိနိုင်သည်။
ဤလုပ်ငန်းစဉ်တွင် အစားထိုးသင်ယူမှုနှုန်းများကို စမ်းသပ်ခြင်း၊ ပုံမှန်ပြုလုပ်ခြင်းဆက်တင်များကို မွမ်းမံခြင်း သို့မဟုတ် အာရုံကြောကွန်ရက်ရှိ လျှို့ဝှက်အလွှာများ၏ အရေအတွက် သို့မဟုတ် အရွယ်အစားကို ပြောင်းလဲခြင်းတို့ ပါဝင်နိုင်သည်။
7. မော်ဒယ်ကိုအသုံးပြုပါ။
မော်ဒယ်၏စွမ်းဆောင်ရည်ကို သင်နှစ်သက်သည်နှင့် ဒေတာအသစ်အတွက် ခန့်မှန်းချက်များကို ဖန်တီးရန် ၎င်းကို စတင်အသုံးပြုနိုင်ပါသည်။
၎င်းသည် မော်ဒယ်ထဲသို့ လတ်ဆတ်သောဒေတာကို ဖြည့်သွင်းခြင်းနှင့် ထိုဒေတာအပေါ် ခန့်မှန်းချက်များကို ဖန်တီးရန် သို့မဟုတ် မော်ဒယ်ကို ပိုမိုကျယ်ပြန့်သော အပလီကေးရှင်း သို့မဟုတ် စနစ်သို့ ပေါင်းစည်းရန် မော်ဒယ်၏ သင်ယူထားသော ကန့်သတ်ဘောင်များကို အသုံးပြုခြင်းတွင် ပါဝင်နိုင်သည်။
၎င်း၏တိကျမှုကို ကျွန်ုပ်တို့ကျေနပ်နှစ်သက်ပြီးနောက် ဒေတာအသစ်များအတွက် ခန့်မှန်းချက်များကို ဖန်တီးရန် ကျွန်ုပ်တို့၏မော်ဒယ်ကို အသုံးပြုနိုင်ပါသည်။ ကျား၊မ၊အသက်အရွယ်၏ မတူညီသောတန်ဖိုးများကို သင်ကြိုးစားနိုင်ပါသည်။
# Test the model with new data
new_data = [[25, 1], [30, 0]]
predictions = model.predict(new_data)
print("Predictions: ", predictions)
အပြီးသတ်သည်
ကျွန်ုပ်တို့၏ ပထမဆုံး စက်သင်ယူမှုပုံစံကို လေ့ကျင့်ပြီးပါပြီ။
အသုံးဝင်မယ်လို့ မျှော်လင့်ပါတယ်။ Linear Regression သို့မဟုတ် Random Forest ကဲ့သို့သော မတူညီသော စက်သင်ယူမှုပုံစံများကို ယခုသင်စမ်းသုံးနိုင်သည်။
ဒေတာအတွဲများနှင့် စိန်ခေါ်မှုများစွာရှိသည်။ Kaggle အကယ်၍ သင်သည် သင်၏ coding နှင့် machine learning ကို နားလည်မှု တိုးတက်စေလိုပါက။
တစ်ဦးစာပြန်ရန် Leave