Como treinar seu primeiro modelo de treinamento de máquinas

Tipos de treinamento de máquinas

• Treinamento inspecionado: Dados dos rótulos do modelo (por exemplo, com base nos dados de venda anteriores, esperados).
• Treinamento indesejado: Encontre o padrão no rótulo de texto sem o rótulo (como o cliente comprando clientes).
• Renova o aprendizado: O modelo aprende com tentativa e erro, recebendo recompensa por boas ações (por exemplo, treinando o robô para caminhar).

Para este guia, vamos nos concentrar em Monitoramento de treinamento, Como é a maneira mais fácil de começar.

Etapa 1: Escolhendo as ferramentas certas

Um ml. Para treinar o modelo, você precisa das ferramentas certas. Aqui estão algumas opções compatíveis com startups:

• Linguagem de programação: Python (usado em ML)
• Bibliotecas:
• scikit-learn (Para modelos básicos de ML)
• pandas (Para lidar com dados)
• numpy (Para tarefas numéricas)
• matplotlib & seaborn (Para ver dados)

Instale -os usando o seguinte comando:

pip install scikit-learn pandas numpy matplotlib seaborn

Etapa 2: Colete e preparando dados

Os modelos de aprendizado de máquina são tão bons quanto os mesmos dados que aprendem. Você pode encontrar dados de plataformas como Kajgal ou UCI Machine Training Repository.

Por exemplo, vamos usar um conjunto de dados dos preços das casas. Os dados podem incluir:

• Metragem quadrada
• Número de quartos
• Localização
• Preço da casa (etiqueta a prever)

Dados de carregamento

Como carregar o conjunto de dados usando os pandas é:

import pandas as pd

data = pd.read_csv('house_prices.csv')
print(data.head())

Dados claros

Antes de treinar, limpe seus dados lidando com os valores ausentes e remova colunas desnecessárias. por exemplo:

data = data.dropna()  # Remove missing values
data = data(('SquareFootage', 'Bedrooms', 'Location', 'Price'))  # Keep relevant columns

Distinguir dados

Dividimos o conjunto de dados em duas partes:

• Conjunto de treinamento (80%): Usado para treinar o modelo.
• Conjunto de testes (20%): Usado para avaliar o desempenho do modelo.

from sklearn.model_selection import train_test_split

X = data(('SquareFootage', 'Bedrooms', 'Location'))
y = data('Price')

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Etapa 3: uma seleção e treinamento de modelos

Para iniciantes, a Modelo de regressão linear Tenha uma boa escolha.

Treinamento modelo

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X_train, y_train)

Esta etapa permite um modelo de aprendizado de padrões dos dados de treinamento.

Etapa 4: Avalie o modelo

Uma vez treinado, temos que ver o quão bem é previsto.

y_pred = model.predict(X_test)

Para medir o desempenho, usamos Significa erro completo (MA):

from sklearn.metrics import mean_absolute_error

mae = mean_absolute_error(y_test, y_pred)
print(f'Mean Absolute Error: {mae}')

Melhores profecias do modelo inferior, modelo.

Etapa 5: melhore o modelo

Se o seu modelo não estiver correto, é aqui como você pode melhorá -lo:

1. Coletar mais dados – pode melhorar mais precisão de dados.
2. Engenharia de recursos – Crie novos recursos úteis (por exemplo, transforme -se em valores numéricos).
3. Experimente modelos diferentes – Modelos de teste, como a árvore de decisão ou a floresta aleatória.
4. Ajuste hiperpretum – Ajuste as configurações como taxas de aprendizado para ajustar o desempenho.

Etapa 6: prevendo novos dados

Uma vez satisfeito, você pode usar seu modelo para prever os preços de novas casas.

new_house = ((1500, 3, 2))  # Example input: 1500 sq ft, 3 bedrooms, Location 2
predicted_price = model.predict(new_house)
print(f'Predicted Price: {predicted_price(0)}')

Conclusão

Parabéns! Você treinou seu primeiro modelo de treinamento de máquinas. A jornada não para aqui. O treinamento em máquinas é uma habilidade poderosa e, com a prática, você pode criar um aplicativo maravilhoso.