Beginnend mit maschinellem Python-Lernen

Ich bin zur Open Developers Conference nach Kamata gekommen.

Lassen Sie uns einen Live-Artikel erstellen, während wir uns die Geschichte anhören.

** Hinzugefügt am 21.12.2017 ** Klicken Sie hier für die Ankündigungsfolie → https://speakerdeck.com/terapyon/python-ji-jie-xue-xi-kotohazime-at-odc

Thema "Beginn des maschinellen Lernens in Python"

Prognostizieren Sie Epidemien anhand der Anzahl der gemeldeten Influenza in Chiba City und der Temperatur

Verfahren

1. Daten auswählen und Daten abrufen ~ ~ ~ Nach Material suchen
2. Datenverarbeitung, Datenverbindung ~ ~ ~ Einfach zu bedienen
3. Visualisierung ~ ~ ~ Irgendwie ist etwas zu sehen. Welche Art von Algorithmus sollte ich verwenden?
4. Algorithmusauswahl
5. Modellauswahl für maschinelles Lernen
6. Bewertung des Modells für maschinelles Lernen

Daten auswählen und Daten abrufen

Erhalten von Chiba City und der Meteorological Agency.

Datenverarbeitung

• Zeichencode
• Machen Sie das fehlende Teil wieder gut

Visualisierung

• Versuchen Sie, ein Diagramm zu erstellen
• Kannst du die Korrelation sehen?
• Bestimmen Sie die Anzahl der zu verwendenden Funktionen

Algorithmusauswahl

• Sind alle Funktionen für tiefes Lernen solide?
• Datenaufbereitung in einigen Fällen
• Mehrere Dimensionen erstellen? ?? ??
• Bestimmen Sie erklärende Variablen und objektive Variablen

Modellauswahl für maschinelles Lernen

Einfach, wenn Sie hierher kommen Sofort

Bewertung des Modells des maschinellen Lernens

• Prognose
• Bewerten Sie das Vorhersageergebnis
• Gegenüberstellung
• Ist es nicht zu viel Lernen, weil es zu gut zum Modell passt?

Komm schon Python

Verwenden Sie das Jupyter-Notizbuch

[Shift] - [Enter] wird ausgeführt

Praktisch

Es kann so wie es ist auf gitub veröffentlicht werden

Daten mit Pandas anzeigen

Ich kann die schlechte CSV lesen und irgendwie verarbeiten

Nutzen Sie die Datenrahmenfunktion voll aus

Wenn Sie nach Datum indizieren, können Sie auch wöchentliche Daten und tägliche Daten mit einem einzigen Befehl verketten.

Serialisierung

Dies ist am zeitaufwändigsten

Visualisiert mit matplotlib

Es funktioniert nicht, wenn Japanisch enthalten ist

Mit matplotlib können Sie ganz einfach ein Histogramm von Pandas erstellen

Definieren, was "Mode" ist

Visualisieren Sie Poops mit mehreren Variablen gleichzeitig mit Pandas Der Graph, der direkt von links unten nach rechts oben verläuft, ist Korrelation 1

Betrachten Sie mögliche Algorithmen

• Logistische Regression

Und

Teilen Sie Trainingsdaten und Testdaten mit scikit-learn auf

Erklärende Variable x

Zielvariable y Beliebt 1 Nicht beliebt 0

Speichern Sie die Testdaten, um ein Übertraining zu vermeiden. 80% zum Lernen, 20% zum Testen Das Verhältnis hängt vom Modell und der Datenmenge ab

Algorithmusinitialisierung

Verwenden Sie Scikit-Learn

Vorhersage clf.predict (X_val)

Verwenden Sie eine Verwirrungsmatrix, da dies fast ein Treffer ist

Richtig positiv Falsch positiv Richtig negativ Falsch negativ

Gegenüberstellung

War das Verhältnis von Lernen und Testen in Ordnung? Wiederholen Sie die Division und Neuberechnung

Rastersuche (Parametereinstellung)

(Die Zeit läuft übrigens ab