Was ich über KI / maschinelles Lernen mit Python gelernt habe (3)

Einführung

Ich lerne mit diesem Buch So erstellen Sie eine KI- / Maschinelles Lernen- / Deep-Learning-App mit Python

scikit-learn Ein klassisches Framework für maschinelles Lernen für Python http://scikit-learn.org/

Es hat die folgenden Funktionen

• Unterstützt verschiedene Algorithmen, die beim maschinellen Lernen verwendet werden
• Beispieldaten sind enthalten, damit Sie sofort maschinelles Lernen ausprobieren können
• Hat eine Funktion, um das Ergebnis des maschinellen Lernens zu überprüfen
• Hohe Kompatibilität mit anderen Bibliotheken, die häufig beim maschinellen Lernen verwendet werden (Pnadas, Numpy, scipy, Matplotlib usw.)
• Kostenlose kommerzielle Nutzung durch BSD-lizenzierte Open Source

Wählen Sie einen Algorithmus

https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html Sie können einen Algorithmus auswählen, indem Sie den Bedingungen folgen, z. B. welche Art von maschinellem Lernen Sie durchführen möchten und welche Art von Daten Sie vorbereiten.

Maschinelles Lernen UND Operationen

and.py

#Importieren Sie die Bibliothek
from sklearn.svm import LinearSVC            #Paket zur Verwendung des LinearSVC-Algorithmus(sklearn.svm.LinearSVC)
from sklearn.metrics import accuracy_score   #Paket zur Auswertung der Testergebnisse(sklearn.metrics.accuracy_score)
                           

#Trainingsdaten vorbereiten
learn_data  = [[0, 0], [1, 0], [0, 1], [1, 1]] #Eingabedaten zum Lernen(UND Eingabewert)
learn_label = [0, 0, 0, 1]                     #Ergebnisdaten für das Training(UND-Ausgabewert)

#Angabe des Algorithmus
clf = LinearSVC()  

#lernen(Übergeben Sie Eingabedaten und Ergebnisdaten für das Training)
clf.fit(learn_data, learn_label)               #Übergeben Sie Eingabedaten und Ergebnisdaten für das Training

#Überprüfen Sie das Lernen
test_data = [[0, 0], [1, 0], [0, 1], [1, 1]]   #Bereiten Sie die Eingabedaten für die Testdaten vor
test_label = clf.predict(test_data)            #Erhalten Sie Testergebnisse

#Testergebnisse anzeigen
print(test_data, "Vorhersageergebnis von", test_label)

#Richtige Antwortrate anzeigen
Accuracy_rate= accuracy_score([0, 0, 0, 1], test_label) # accuracy_score(Richtige Antwortdaten,Testergebnisse)
print("Richtige Antwortrate:", Accuracy_rate)

[[0, 0], [1, 0], [0, 1], [1, 1]]Vorhersageergebnis von[0 0 0 1]
Richtige Antwortrate: 1.0

Sie lernen UND logische Operationen richtig. Diejenigen, die linear klassifiziert werden können, können mit dem LinearSVC-Algorithmus gelöst werden. Aber was ist mit XOR?

Verwendete Wörter

• SVM(Support Vector Machine) "Einige Daten, die für die Vorhersage wirklich notwendig sind" Diese Seite ist leicht zu verstehen

--Lineare SVM-Klassifizierung ... Lineare SVM-Klassifizierung

• Genauigkeit ... Genauigkeit --klassifizierung ... klassifizierung --classifier ... Klassifikator --fit ... lernen (fit)
• vorhersagen ... vorhersagen

Maschinelles Lernen von XOR-Operationen

xor.py

#Importieren Sie die Bibliothek
from sklearn.svm import LinearSVC            #Paket zur Verwendung des LinearSVC-Algorithmus(sklearn.svm.LinearSVC)
from sklearn.metrics import accuracy_score   #Paket zur Auswertung der Testergebnisse(sklearn.metrics.accuracy_score)
                           

#Trainingsdaten vorbereiten
learn_data  = [[0, 0], [1, 0], [0, 1], [1, 1]] #Eingabedaten zum Lernen(XOR-Eingabewert)
learn_label = [0, 1, 1, 0]                     #Ergebnisdaten für das Training(XOR-Ausgabewert)

#Angabe des Algorithmus
clf = LinearSVC()  

#lernen(Übergeben Sie Eingabedaten und Ergebnisdaten für das Training)
clf.fit(learn_data, learn_label)               #Übergeben Sie Eingabedaten und Ergebnisdaten für das Training

#Überprüfen Sie das Lernen
test_data = [[0, 0], [1, 0], [0, 1], [1, 1]]   #Bereiten Sie die Eingabedaten für die Testdaten vor
test_label = clf.predict(test_data)            #Erhalten Sie Testergebnisse

#Testergebnisse anzeigen
print(test_data, "Vorhersageergebnis von", test_label)

#Richtige Antwortrate anzeigen
Accuracy_rate= accuracy_score([0, 1, 1, 0], test_label) # accuracy_score(Richtige Antwortdaten,Testergebnisse)
print("Richtige Antwortrate:", Accuracy_rate)

[[0, 0], [1, 0], [0, 1], [1, 1]]Vorhersageergebnis von[0 0 0 0]
Richtige Antwortrate: 0.5

Nun, es kann nicht linear linear klassifiziert werden.

xor2.py

#Importieren Sie die Bibliothek
from sklearn.neighbors import KNeighborsClassifier #Paket zur Verwendung des LinearSVC-Algorithmus(sklearn.svm.LinearSVC)
from sklearn.metrics import accuracy_score         #Paket zur Auswertung der Testergebnisse(sklearn.metrics.accuracy_score)


#Trainingsdaten vorbereiten
learn_data  = [[0, 0], [1, 0], [0, 1], [1, 1]] #Eingabedaten zum Lernen(XOR-Eingabewert)
learn_label = [0, 1, 1, 0]                     #Ergebnisdaten für das Training(XOR-Ausgabewert)

#Angabe des Algorithmus
clf = KNeighborsClassifier(n_neighbors = 1)  

#lernen(Übergeben Sie Eingabedaten und Ergebnisdaten für das Training)
clf.fit(learn_data, learn_label)               #Übergeben Sie Eingabedaten und Ergebnisdaten für das Training

#Überprüfen Sie das Lernen
test_data = [[0, 0], [1, 0], [0, 1], [1, 1]]   #Bereiten Sie die Eingabedaten für die Testdaten vor
test_label = clf.predict(test_data)            #Erhalten Sie Testergebnisse

#Testergebnisse anzeigen
print(test_data, "Vorhersageergebnis von", test_label)

#Richtige Antwortrate anzeigen
Accuracy_rate= accuracy_score([0, 1, 1, 0], test_label) # accuracy_score(Richtige Antwortdaten,Testergebnisse)
print("Richtige Antwortrate:", Accuracy_rate)

[[0, 0], [1, 0], [0, 1], [1, 1]]Vorhersageergebnis von[0 1 1 0]
Richtige Antwortrate: 1.0

Ich konnte mit dem KNeighborsClassifier-Algorithmus lernen.