[#チャレンジ3日目]マシンラーニング+ディープラーニング

市場と機械学習

最初の機械学習プログラム

整理

✅ 1. 市場と機械学習

試食(生鮮分類問題)

初歩的なエンジニアは機械学習を利用してスーパーの魚の分類問題を解決することにした.これは魚の分類で、魚の特徴を知ると区別しやすい.初級エンジニアはまず大きさ別に分類する方法を選択した.

if fish_length >= 30:
print("도미")

に質問

30センチ以上の魚を無条件に鯛と呼ぶことができないという問題があった.これらの問題は機械学習で自分で基準を見つけて解決することができる.

m以上のデータを準備
1.1機械学習は、複数の鯛を観察することによって、どの魚が鯛であるかを区別する基準を探す.そのため、まず魚がたくさん必要です.
1.2メートル以上の防御を用意し、秤の上に置いて、重量と長さを測定します.(標本採取)
1.3 colabを開き、重量と長さをPythonリストに並べます.
1.4この過程において、タイの特徴を長さと重量で表現することを特性と呼ぶ.
1.5特性はx軸とy軸の2次元グラフィックで表される.このグラフを散点図と言います.

図を描画
2.1散点図を描く代表的なツールキットは、研磨砥粒です.パッケージをインポートし、scatter()関数を使用して作成できます.

2.2同じ方法で防御データを準備する.

✅ 2. 最初の機械学習プログラム

今から機械学習プログラムを作りましょう.最も簡単なk‐Nearest Neightborsアルゴリズムを用いた.このアルゴリズムを使用して、マルチメートルと防御データを統合します.

length = bream_length + smelt_length
weight = bream_weight + smelt_weight

「sikit-learning」というパッケージを使用するには、各プロパティのリストを垂直方向に作成する必要があります.
Pythonのzip()関数を使用すると、簡単に2 Dリストにリストできます.

fish_data = [[l,w] for l, w in zip(length, weight)]
print(fish_data)

結果
[[25.4, 242.0], [26.3, 290.0], [26.5, 340.0], [29.0, 363.0], [29.0, 430.0], [29.7, 450.0], [29.7, 500.0], [30.0, 390.0], [30.0, 450.0], [30.7, 500.0], [31.0, 475.0], [31.0, 500.0], [31.5, 500.0], [32.0, 340.0], [32.0, 600.0], [32.0, 600.0], [33.0, 700.0], [33.0, 700.0], [33.5, 610.0], [33.5, 650.0], [34.0, 575.0], [34.0, 685.0], [34.5, 620.0], [35.0, 680.0], [35.0, 700.0], [35.0, 725.0], [35.0, 720.0], [36.0, 714.0], [36.0, 850.0], [37.0, 1000.0], [38.5, 920.0], [38.5, 955.0], [39.5, 925.0], [41.0, 975.0], [41.0, 950.0], [9.8, 6.7], [10.5, 7.5], [10.6, 7.0], [11.0, 9.7], [11.2, 9.8], [11.3, 8.7], [11.8, 10.0], [11.8, 9.9], [12.0, 9.8], [12.2, 12.2], [12.4, 13.4], [13.0, 12.2], [14.3, 19.7], [15.0, 19.9]]
魚の長さと重さによって鯛と鯛を区別するルールを機械学習アルゴリズムに教えるべきだ.上のデータによると、多米と防御の順に並び、多米は前から35回、その後14回氷魚が出現した.

fish_target = [1] * 35 + [0] * 14
print(fish_target)

結果
[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
👉準備データは1メートル以上、0は防御データであることを示しています.
ここで、Sikit Run PackageにK-近隣アルゴリズムを実装するクラスKNeighborsClassifierをインポートし、インポートしたクラスのオブジェクトを作成します.

from sklearn.neighbors import KNeighborsClassifier
kn = KNeighborsClassifier()

上記のオブジェクトにfish data、fish targetを渡し、複数メートルの基準を検索することを学習します.fit()関数を使用して、コース運転中に所定のデータでアルゴリズムを訓練します.

kn.fit(fish_data, fish_target)

今、訓練が順調かどうかを評価します.
0～1の間の値を返し、1に進むほど正確になります.

kn.score(fish_data, fish_target)

今では機械学習プログラムで鯛と氷魚を区別することができます.
コードリンク
https://github.com/dreamjh1111/machine-running/blob/main/fish_models.ipynb

✅ 3. 簡単に整理する

matplotlib

散点()は、散点図を描くマット出図リップ関数

である.

scikit-learn

KneighborsClassifier()は、k近傍分類モデルを作成するためのサイドパスクラス

である.

fit()は、サーキットモデルを訓練する際に使用する方法

である.

predict()サーキットモデルのトレーニングおよび予測方法

score()は、訓練されたサイクロンモデルの性能を試験する.