Machine Learning mit Python
•
2 gefällt mir•1,622 views
Eine Einführung zum Machine Learning mit Python. Es werden die notwendigen Pakete, der Machine Learning Prozess und eine Übersicht von Machine Learning Algorithmen vorgestellt.
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie Machine Learning mit Python
Ähnlich wie Machine Learning mit Python (20)
Mehr von Datamics
Mehr von Datamics (12)
Machine Learning mit Python
- 1. Machine Learning mit Python Eine Einführung
- 2. Python Paket • Wir nutzen im diesem Kurs das Scikit Learn Paket • Es ist das bekannteste Machine Learning Paket für Python und bietet viele bereits eingebaute Algorithmen • Zur Installation führe bitte folgenden Code aus: Machine Learning mit Python conda install scikit-learn Oder pip install scikit-learn by Datamics, 2018
- 3. Machine Learning Prozess Machine Learning mit Python Daten Bereinigung Daten Akquisition Modell Training Modell Tests Modell Einsatz Test Daten by Datamics, 2018
- 4. Prozess mit Scikit Learn • Schauen wir uns nun ein Beispiel für einen solchen Prozess mit SciKit Learn an. • Macht euch keine großen Sorgen darüber, ob ihr euch alles merken könnt! Wir werden viele Übungen und Erklärungen zu diesem Beispiel und darüber hinaus in den folgenden Lektionen behandeln. Machine Learning mit Python by Datamics, 2018
- 5. Prozess mit Scikit Learn • Jeder Algorithmus in scikit-learn wird durch einen „Estimator“ (dt. Schätzer) dargestellt • Zuerst importieren wir das Modell in der allgemeinen Syntax: from sklearn.family import Modell • Oder zum Beispiel: from sklearn.linear_model import LinearRegression Machine Learning mit Python by Datamics, 2018
- 6. Prozess mit Scikit Learn • Alle Parameter des Estimators können bei seiner Instanziierung festgelegt werden und alle haben passende Standardwerte • In Jupyter können wir Shift+Tab verwenden, um alle möglichen Parameter einzusehen Machine Learning mit Python by Datamics, 2018
- 7. Prozess mit Scikit Learn Zum Beispiel: model = LinearRegression(normalize=True) print (model) LinearRegression(copy_X=True, fit_intercept=True, normalize=True) Machine Learning mit Python by Datamics, 2018
- 8. Prozess mit Scikit Learn • Sobald wir unser Modell mit den richtigen Parametern erstellt haben ist es wichtig es auf Daten anzupassen. • Denkt aber daran, dass wir die Daten in Trainings- und Testdaten aufteilen sollten. Machine Learning mit Python by Datamics, 2018
- 9. Beispiel mit Scikit Learn Machine Learning mit Python by Datamics, 2018
- 10. Beispiel mit Scikit Learn Machine Learning mit Python by Datamics, 2018
- 11. Prozess mit Scikit Learn • Nachdem wir unsere Daten aufgeteilt haben können wir das Modell trainieren. • Dazu verwenden wir die model.fit() Methode: model.fit(X_train,y_train) Machine Learning mit Python by Datamics, 2018
- 12. Prozess mit Scikit Learn • Jetzt wurde unser Modell basierend auf den Trainingsdaten trainiert. • Es ist jetzt in der Lage Kennzeichnungen oder Werte der Testdaten vorherzusagen. • Hinweis: Wir sprechen hier über Supervised Learning • Wir können Werte vorhersagen indem wir folgenden Code verwenden: predictions = model.predict(X_test) Machine Learning mit Python by Datamics, 2018
- 13. Prozess mit Scikit Learn • Anschließend können wir unser Modell auf seine Qualität testen indem wir vorhergesagte Werte mit tatsächlichen Werten vergleichen • Die Methode der Evaluierung hängt vom verwendeten Machine Learning Algorithmus ab Machine Learning mit Python by Datamics, 2018
- 14. Zusammenfassung • Scikit-learn strebt danach für alle Methoden (die wir behandeln werden) den gleichen Aufbau zu verwenden. • Ausgehend vom Estimator namens model gilt folgendes: • Verfügbar für jeden Estimator • model.fit(): Auf Trainingsdaten anpassen • Für Supervised Learning: Feature X und Label y -> model.fit(X,y) • Für Unsupervised Learning: Nur Daten X -> model.fit(X) Machine Learning mit Python by Datamics, 2018
- 15. Zusammenfassung • Verfügbar für supervised Estimators • model.predict(): ausgehend von einem trainierten Modell sagt der Estimator die Labels (Kennzeichnungen) neuer Daten (meist den Testdaten) vorhersagen (en. predict). Dazu übergeben wir ein Argument: die neuen Daten -> model.predict(X_neu) • So erhalten wir ein Array aus dem Label für die neuen Daten • model.score(): für Klassifizierungsprobleme. Scores liegen zwischen 0 und 1, wobei 1 eine bessere Einordnung bedeutet Machine Learning mit Python by Datamics, 2018
- 16. Zusammenfassung • Verfügbar für unsupervised Estimators • model.predict(): sagt Kennzeichnungen in Cluster-Algorithmen vorher • model.transform(): ausgehend von einem unsupervised Modell können wir so neue Daten zur neuen Grundlage machen. • Wir gehen später genauer auf dieses Konzept ein • model.fit_transform(): einige Estimators implementieren diese Methode, die effizienter eine Anpassung und Transformation mit dem selben Input durchführt Machine Learning mit Python by Datamics, 2018
- 17. Entscheidungshilfe Machine Learning mit Python by Datamics, 2018