Моделі
Основи попередньої обробки даних і побудови конвеєрів вже розглянуто. Наступний етап — моделювання.
Модель у Scikit-learn — це оцінювач (estimator), який надає методи .predict() і .score(), а також успадковує .fit() від усіх оцінювачів.
.fit()
Після попередньої обробки даних і підготовки їх до моделі першим кроком побудови моделі є навчання моделі. Це виконується за допомогою .fit(X, y).
Для навчання моделі для виконання завдання контрольованого навчання (наприклад, регресія, класифікація) необхідно передати як X, так і y до методу .fit().
Якщо ви працюєте із завданням неконтрольованого навчання (наприклад, кластеризація), мітки не потрібні, тому можна передати лише змінну X, .fit(X). Однак використання .fit(X, y) не викличе помилки. Модель просто проігнорує змінну y.
Під час навчання модель засвоює все необхідне для здійснення прогнозів. Те, що саме вивчає модель і скільки триває навчання, залежить від обраного алгоритму. Для кожного завдання існує багато моделей, заснованих на різних алгоритмах. Деякі навчаються повільніше, інші — швидше.
Однак навчання зазвичай є найбільш трудомісткою частиною машинного навчання. Якщо навчальна вибірка велика, навчання моделі може тривати хвилини, години або навіть дні.
.predict()
Після навчання моделі за допомогою методу .fit() вона може виконувати прогнозування. Прогнозування здійснюється просто викликом методу .predict():
model.fit(X, y) # Train a model
y_pred = model.predict(X_new) # Get a prediction
Зазвичай потрібно передбачити ціль для нових прикладів, X_new.
.score()
Метод .score() використовується для оцінки продуктивності навченої моделі. Зазвичай його обчислюють на тестовій вибірці (у наступних розділах буде пояснено, що це таке). Ось синтаксис:
model.fit(X, y) # Training the model
model.score(X_test, y_test)
Метод .score() вимагає фактичних значень цільової змінної (y_test у прикладі). Він обчислює прогноз для екземплярів X_test і порівнює цей прогноз із істинною ціллю (y_test) за допомогою певної метрики. За замовчуванням цією метрикою є точність для задач класифікації.
X_test — це підмножина датасету, відома як тестова вибірка, яка використовується для оцінки продуктивності моделі після навчання. Вона містить ознаки (вхідні дані). y_test — це відповідна підмножина істинних міток для X_test. Разом вони дозволяють оцінити, наскільки добре модель прогнозує нові, невідомі дані.
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Awesome!
Completion rate improved to 3.13Моделі
Свайпніть щоб показати меню
Основи попередньої обробки даних і побудови конвеєрів вже розглянуто. Наступний етап — моделювання.
Модель у Scikit-learn — це оцінювач (estimator), який надає методи .predict() і .score(), а також успадковує .fit() від усіх оцінювачів.
.fit()
Після попередньої обробки даних і підготовки їх до моделі першим кроком побудови моделі є навчання моделі. Це виконується за допомогою .fit(X, y).
Для навчання моделі для виконання завдання контрольованого навчання (наприклад, регресія, класифікація) необхідно передати як X, так і y до методу .fit().
Якщо ви працюєте із завданням неконтрольованого навчання (наприклад, кластеризація), мітки не потрібні, тому можна передати лише змінну X, .fit(X). Однак використання .fit(X, y) не викличе помилки. Модель просто проігнорує змінну y.
Під час навчання модель засвоює все необхідне для здійснення прогнозів. Те, що саме вивчає модель і скільки триває навчання, залежить від обраного алгоритму. Для кожного завдання існує багато моделей, заснованих на різних алгоритмах. Деякі навчаються повільніше, інші — швидше.
Однак навчання зазвичай є найбільш трудомісткою частиною машинного навчання. Якщо навчальна вибірка велика, навчання моделі може тривати хвилини, години або навіть дні.
.predict()
Після навчання моделі за допомогою методу .fit() вона може виконувати прогнозування. Прогнозування здійснюється просто викликом методу .predict():
model.fit(X, y) # Train a model
y_pred = model.predict(X_new) # Get a prediction
Зазвичай потрібно передбачити ціль для нових прикладів, X_new.
.score()
Метод .score() використовується для оцінки продуктивності навченої моделі. Зазвичай його обчислюють на тестовій вибірці (у наступних розділах буде пояснено, що це таке). Ось синтаксис:
model.fit(X, y) # Training the model
model.score(X_test, y_test)
Метод .score() вимагає фактичних значень цільової змінної (y_test у прикладі). Він обчислює прогноз для екземплярів X_test і порівнює цей прогноз із істинною ціллю (y_test) за допомогою певної метрики. За замовчуванням цією метрикою є точність для задач класифікації.
X_test — це підмножина датасету, відома як тестова вибірка, яка використовується для оцінки продуктивності моделі після навчання. Вона містить ознаки (вхідні дані). y_test — це відповідна підмножина істинних міток для X_test. Разом вони дозволяють оцінити, наскільки добре модель прогнозує нові, невідомі дані.
Дякуємо за ваш відгук!
