В этой статье я должен рассказать, как обучать и оценивать модель для титанических наборов данных.

прежде чем приступить к делу, оформите заказ, часть 3



Руководство для начинающих по проекту машинного обучения (Titanic Survival Prediction (Feature Engineering), часть 3
В этой статье я хочу поделиться тем, как выполнить проектирование функций для титанических наборов данных среда.com



X : Матрица признаков, содержащая все входные признаки для модели машинного обучения.

В данные о поезде включены различные характеристики, относящиеся к пассажирам «Титаника», такие как возраст, пол, класс билета, количество братьев и сестер/супругов, количество родителей/детей, стоимость проезда и пункт посадки. Кроме того, он включает в себя целевую переменную «Выжил», которая указывает, выжил ли каждый пассажир (1) или нет (0).

В этом случае мы хотим удалить столбец «Выживший» из набора данных, поскольку мы используем все остальные столбцы в качестве признаков для обучения модели машинного обучения.

мы используем метод drop() для удаления уцелевшего столбца, а параметр axis=1 указывает, что мы удаляем столбцы

y : Целевой вектор, содержащий соответствующие метки (в данном случае, выжил ли каждый пассажир или нет)

Далее нам нужно разделить набор данных на обучение и тестирование, поэтому импортируйте необходимую библиотеку.

from sklearn.model_selection import train_test_split

Функция train_test_split для разделения ваших данных на наборы для обучения и тестирования.

X_train и y_train используются для обучения модели машинного обучения и X_test и оценки ее производительности на данных X_test и y_test.

train_size=0.8: указывает, что 80 % данных будут использоваться для обучения модели.

test_size=0.2 : указывает, что 20 % данных будут использоваться для тестирования производительности модели на невидимых данных.

Здесь мы используем классификатор случайного леса, это метод ансамблевого обучения, основанный на множественном дереве решений.

from sklearn.ensemble import RandomForestClassifier

Здесь я обучил RandomForestClassifier со 150 оценщиками, которые представляют собой деревья решений и случайное состояние = 0.

Затем подгоните RandomForestClassifier к обучающим данным (X_train и y_train).

Затем обученный RandomForestClassifier делает прогнозы на тестовых данных (X_test).

y_pred : прогнозируемая метка

y_test : истинная метка

После этого рассчитайте показатели модели, сравнив предсказанные метки (y_pred) с истинными метками (y_test).

Импортировать необходимые библиотеки

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

Здесь я использовал четыре разных показателя: оценка точности, оценка точности, оценка отзыва, оценка f1.

Здесь я объясняю метрики,

Истинный положительный результат (TP):

Модель правильно предсказывает положительный экземпляр (принадлежащий положительному классу) как положительный. В этом примере настоящим положительным будет случай, когда модель правильно идентифицирует человека как выжившего.

Истинно отрицательный (TN):

Истинный отрицательный результат возникает, когда модель правильно предсказывает отрицательный экземпляр как отрицательный.

Ложное срабатывание (FP):

Ложное срабатывание происходит, когда модель неправильно предсказывает отрицательный случай как положительный.

Ложноотрицательный (FN):

Ложный отрицательный результат возникает, когда модель неправильно предсказывает положительный экземпляр как отрицательный.

Точность:

Точность = истинные положительные результаты / (истинные положительные результаты + ложные положительные результаты)

Напомнить:

Отзыв = истинные положительные результаты / (истинные положительные результаты + ложноотрицательные результаты)

Оценка F1:

Оценка F1 = 2 * ((Точность * Отзыв) / (Точность + Отзыв))

Матрица путаницы:

Попробуйте наборы данных с другой моделью для лучшего понимания

следуйте за мной на среду, чтобы узнать больше контента AI / ML