Ce que j'ai appris sur l'IA / l'apprentissage automatique avec Python (3)
introduction
J'étudie avec ce livre Comment créer une application AI / Machine Learning / Deep Learning avec Python
scikit-learn Un framework d'apprentissage automatique classique pour Python http://scikit-learn.org/
Il a les caractéristiques suivantes
- Prend en charge divers algorithmes utilisés dans l'apprentissage automatique
- Des échantillons de données sont inclus afin que vous puissiez essayer immédiatement l'apprentissage automatique --Dispose d'une fonction pour vérifier le résultat de l'apprentissage automatique --Haute compatibilité avec d'autres bibliothèques souvent utilisées dans l'apprentissage automatique (Pnadas, Numpy, scipy, Matplotlib, etc.) --Utilisation commerciale gratuite grâce à l'open source sous licence BSD
Sélectionnez un algorithme
https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html
Vous pouvez sélectionner un algorithme en suivant les conditions telles que le type d'apprentissage automatique que vous souhaitez effectuer et le type de données que vous préparez.
Apprentissage automatique et opérations
and.py
#Importer la bibliothèque
from sklearn.svm import LinearSVC #Package pour l'utilisation de l'algorithme LinearSVC(sklearn.svm.LinearSVC)
from sklearn.metrics import accuracy_score #Package pour évaluer les résultats des tests(sklearn.metrics.accuracy_score)
#Préparer les données d'entraînement
learn_data = [[0, 0], [1, 0], [0, 1], [1, 1]] #Données d'entrée pour l'apprentissage(ET valeur d'entrée)
learn_label = [0, 0, 0, 1] #Données de résultat pour la formation(ET valeur de sortie)
#Spécifier l'algorithme
clf = LinearSVC()
#apprendre(Transmettre les données d'entrée et les données de résultat pour la formation)
clf.fit(learn_data, learn_label) #Transmettre les données d'entrée et les données de résultat pour la formation
#Vérifier l'apprentissage
test_data = [[0, 0], [1, 0], [0, 1], [1, 1]] #Préparer les données d'entrée pour les données de test
test_label = clf.predict(test_data) #Obtenir les résultats des données de test
#Afficher les résultats des données de test
print(test_data, "Résultat de la prédiction de", test_label)
#Afficher le taux de réponse correct
Accuracy_rate= accuracy_score([0, 0, 0, 1], test_label) # accuracy_score(Corriger les données de réponse,Résultats de test)
print("Taux de réponse correct:", Accuracy_rate)
[[0, 0], [1, 0], [0, 1], [1, 1]]Résultat de la prédiction de[0 0 0 1]
Taux de réponse correct: 1.0
Vous apprenez correctement les opérations ET logiques. Tout ce qui peut être classé linéairement peut être résolu avec l'algorithme LinearSVC. Mais qu'en est-il de XOR?
Mots utilisés
- SVM(Support Vector Machine) "Certaines données vraiment nécessaires pour la prédiction" Ce site est facile à comprendre
--Classification SVM linéaire ... Classification SVM linéaire
- précision ... précision --classification ... classification --classifier ... classificateur --fit ... apprendre (fit) --prédict ... prédire
Opérations XOR d'apprentissage automatique
xor.py
#Importer la bibliothèque
from sklearn.svm import LinearSVC #Package pour l'utilisation de l'algorithme LinearSVC(sklearn.svm.LinearSVC)
from sklearn.metrics import accuracy_score #Package pour évaluer les résultats des tests(sklearn.metrics.accuracy_score)
#Préparer les données d'entraînement
learn_data = [[0, 0], [1, 0], [0, 1], [1, 1]] #Données d'entrée pour l'apprentissage(Valeur d'entrée XOR)
learn_label = [0, 1, 1, 0] #Données de résultat pour la formation(Valeur de sortie XOR)
#Spécifier l'algorithme
clf = LinearSVC()
#apprendre(Transmettre les données d'entrée et les données de résultat pour la formation)
clf.fit(learn_data, learn_label) #Transmettre les données d'entrée et les données de résultat pour la formation
#Vérifier l'apprentissage
test_data = [[0, 0], [1, 0], [0, 1], [1, 1]] #Préparer les données d'entrée pour les données de test
test_label = clf.predict(test_data) #Obtenir les résultats des données de test
#Afficher les résultats des données de test
print(test_data, "Résultat de la prédiction de", test_label)
#Afficher le taux de réponse correct
Accuracy_rate= accuracy_score([0, 1, 1, 0], test_label) # accuracy_score(Corriger les données de réponse,Résultats de test)
print("Taux de réponse correct:", Accuracy_rate)
[[0, 0], [1, 0], [0, 1], [1, 1]]Résultat de la prédiction de[0 0 0 0]
Taux de réponse correct: 0.5
Eh bien, il ne peut pas être classé correctement de manière linéaire.
xor2.py
#Importer la bibliothèque
from sklearn.neighbors import KNeighborsClassifier #Package pour l'utilisation de l'algorithme LinearSVC(sklearn.svm.LinearSVC)
from sklearn.metrics import accuracy_score #Package pour évaluer les résultats des tests(sklearn.metrics.accuracy_score)
#Préparer les données d'entraînement
learn_data = [[0, 0], [1, 0], [0, 1], [1, 1]] #Données d'entrée pour l'apprentissage(Valeur d'entrée XOR)
learn_label = [0, 1, 1, 0] #Données de résultat pour la formation(Valeur de sortie XOR)
#Spécifier l'algorithme
clf = KNeighborsClassifier(n_neighbors = 1)
#apprendre(Transmettre les données d'entrée et les données de résultat pour la formation)
clf.fit(learn_data, learn_label) #Transmettre les données d'entrée et les données de résultat pour la formation
#Vérifier l'apprentissage
test_data = [[0, 0], [1, 0], [0, 1], [1, 1]] #Préparer les données d'entrée pour les données de test
test_label = clf.predict(test_data) #Obtenir les résultats des données de test
#Afficher les résultats des données de test
print(test_data, "Résultat de la prédiction de", test_label)
#Afficher le taux de réponse correct
Accuracy_rate= accuracy_score([0, 1, 1, 0], test_label) # accuracy_score(Corriger les données de réponse,Résultats de test)
print("Taux de réponse correct:", Accuracy_rate)
[[0, 0], [1, 0], [0, 1], [1, 1]]Résultat de la prédiction de[0 1 1 0]
Taux de réponse correct: 1.0
J'ai pu apprendre à utiliser l'algorithme KNeighborsClassifier.
Recommended Posts