Машин сургалт:
анхны загвараа бүтээх.

1. Бид юу таамаглах вэ?

Iris өгөгдлийн багцад цэцгийн дэлбээ, цоморлигийн урт ба өргөн гэсэн дөрвөн хэмжилт бий. Эдгээр хэмжилтээр цэцгийг гурван зүйлийн алинд хамаарахыг таамаглана. Хэмжилтүүдийг оролт (X), цэцгийн төрлийг зорилтот шошго буюу label (y) гэж нэрлэе.

2. Сурах болон шалгах өгөгдлөө салгах

Шалгалтын асуултыг урьдчилж хараад бэлдвэл мэдлэгээ шударгаар үнэлж чадахгүй. Үүнтэй адил загвар сурсан өгөгдөл дээрээ сайн ажиллах нь шинэ өгөгдөл дээр сайн ажиллана гэсэн баталгаа биш. Тиймээс өгөгдлөө сургалтын ба шалгалтын хэсэгт хувааж шалгалтын өгөгдлийг сургалтад ашиглахгүй зөвхөн загвараа шалгахад ашиглана.

3. Жижиг жишээг ажиллуулах

Kaggle notebook-д доорх кодыг ажиллуулаарай. Энэ жишээ CPU дээр ажиллахад хангалттай.

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

model = make_pipeline(
    StandardScaler(),
    KNeighborsClassifier(n_neighbors=3)
)
model.fit(X_train, y_train)
predictions = model.predict(X_test)
print("Accuracy:", accuracy_score(y_test, predictions))

Pipeline ашигласнаар хэмжилтүүдийг стандартчилах утгууд зөвхөн сургалтын өгөгдлөөс тооцогдоно. Ингэснээр шалгалтын өгөгдлийн мэдээлэл сургалт руу алдагдахаас сэргийлнэ.

4. Үр дүнгээ ойлгох

Accuracy нь бүх таамаглалын хэдэн хувь зөв байгааг илэрхийлнэ. Жишээлбэл, 30 цэцгээс 27-г зөв ангилсан бол 27/30 = 0.9 буюу 90%. Энэ бол тайлбарлах жишээ; дээрх кодын гаралттай заавал ижил байх албагүй.

Өөрөө туршаад үзээрэй

1. n_neighbors-ийг 1, 3, 5 болгож өөрчилбөл юу болохыг эхлээд таамагла.
2. Загварын тохиргоо сонгохдоо зөвхөн сургалтын өгөгдөл дотор cross-validation хий.
3. Эцсийн тохиргоогоо сонгосны дараа хадгалсан шалгалтын хэсгээр нэг удаа үнэл.
4. Ямар цэцгийг андуурсныг confusion matrix-аар үз.

Нэмэлт тайлбар: scikit-learn Getting Started ↗