«Apple» или «Orange» — «Создание нашей первой модели машинного обучения»

После нескольких месяцев обучения и чтения я наконец написал свой первый код машинного обучения и очень рад поделиться им со всеми вами. Это очень маленький пример, но я чувствую, что добился чего-то после нескольких месяцев напряженной работы.

Эта модель машинного обучения является базовой структурой. Я создал классификатор, который различает, является ли данный ввод «яблоком» или «апельсином». Как видно из таблицы ниже.

Есть две основные функции, которые мы собираемся использовать: [Вес, Текстура], учитывая эти два входа, наша модель будет предсказывать, будет ли это апельсин или яблоко. Я пройдусь по каждой строке кода, которую я использовал для создания классификатора.

Мы собираемся использовать пакет с открытым исходным кодом под названием scikit-learn, а из scikit-learn мы будем использовать дерево решений для создания классификатора для нашей модели.

import sklearn 
from sklearn import tree

Как только мы это сделаем, мы запишем наши обучающие данные,

import sklearn 
from sklearn import tree
feature = [[140,1], [130, 1], [150, 0], [170, 0]]
label = [0, 0, 1, 1]

Для нашей функции мы используем «0 = неровный», «1 = гладкий», а для наших меток мы используем «0 = яблоко», «1 = оранжевый».

После того, как мы запишем наши обучающие данные, мы используем дерево решений для построения нашего классификатора, а затем используем «подгонку» для обучения наших данных.

import sklearn 
from sklearn import tree 
feature = [[140,1], [130, 1], [150, 0], [170, 0]]
label = [0, 0, 1, 1] 
clf = tree.DecisionTreeClassifier()
clf = clf.fit(feature, labels)

После обучения данных данных мы предсказываем, является ли данный вход Apple или Orange, результат будет двоичным, который будет печатать «0», если это Apple, или «1», если это Orange.

import sklearn 
from sklearn import tree 
feature = [[140,1], [130, 1], [150, 0], [170, 0]]
label = [0, 0, 1, 1] 
clf = tree.DecisionTreeClassifier()
clf = clf.fit(feature, labels)
print ((clf.predict([[150, 0]))
[1]

Результат имеет выход [1], который показывает, что данный вход является оранжевым. Это был простой пример построения классификатора, так как количество данных будет увеличиваться, а вместе с ним и точность нашей модели прогнозирования.

Не стесняйтесь экспериментировать с этой моделью, используя разные входные данные, или просто используйте ту же платформу для создания собственной модели машинного обучения, изменяя функции и метки.