ia 2

Experiência de programação de aprendizado de máquina

Objetivos deste capítulo

Tempo estimado de conclusão: 20 minutos a 30 minutos

• Aprenda uma série de fluxo de programação de aprendizado de máquina aproximadamente por meio do problema de classificação que determina o tipo de flor

Introdução

Este texto destina-se a experimentar rapidamente a programação de aprendizado de máquina.

Portanto, por favor, entenda o uso básico e a explicação da biblioteca, que é essencial ao conduzir a análise de dados em Python, como a gramática básica de programação Python e scikit-learn, numpy, pandas, matplotlib.

Vamos começar o aprendizado de máquina no Google Colaboratory!

No primeiro semestre, explicarei como usar o Google Collaboratory (Google Collaboration Leight) que o Google oferece para o aprendizado e a pesquisa em aprendizado de máquina, além de programar Python e programação de aprendizado de máquina posteriormente.

O Google Collaboratory que você usa neste momento é um serviço gratuito que é desnecessáriopara instalação e você pode preparar seu ambiente Python imediatamente. 
(Python e Machine Learning Library estão instalados, portanto você não precisa instalar o Python.)

O custo é gratuito e o ambiente de CPU e GPU (12 horas uma vez) está disponível, e o que você prepara está disponível apenas com uma Conta do Google.

Para usar o Colaboratory, basta acessar o URL abaixo.

Google Colaboratory

Crie um caderno

Será exibida a tela "Caderno recente". Selecione "Novo caderno de PYTHON 3" na parte inferior esquerda da tela e clique em. 
Ou, é o mesmo para "Criar novo bloco de anotações do Python 3" no menu superior esquerdo.

· No caso de "Criar novo caderno do Python 3" no menu superior esquerdo

A tela Colaboratory apareceu? 
Agora, há um editor de texto azul claro no lado direito do botão de execução do triângulo de bala, então 
escreva o programa lá.

1

print ( "olá Python" )

Levará algum tempo no início, mas se você esperar um pouco, o resultado será exibido. 
A propósito, os cadernos criados automaticamente são salvos no Google Drive.

Em seguida, vou desenhar um gráfico usando o módulo de desenho gráfico do Python, Matplotlib.

1

import  numpy  como  np

2

Import  Matplotlib . Pyplot  Como  Plt

3

No caso

4

X  =  Np . Arange ( 0 , 10 , 0,1 )

5

Plt . Plot ( X )

6

plt . show ()

Tente usar o GPU

Como não é uma GPU ao criar um notebook, torne a GPU utilizável pela seguinte operação.

Escolha o tempo de execução no menu superior> Alterar tipo de tempo de execução. 
Altere o acelerador de hardware de Nenhum para GPU e salve-o.

Bem, se você executar o seguinte e saída '/ device: GPU: 0', então você pode usar o GPU.

Além disso,

1

! cat  / proc / cpuinfo

E

1

! cat  / proc / meminfo

Você pode verificar as especificações da máquina da Colaboratory executando-a.

Experiência de programação de aprendizado de máquina (visão geral)

Neste texto vou fazer um classificador que pode determinar o tipo de flor Iris (Iyame).

Como você pode ver na imagem acima, os três tipos são muito semelhantes. 
Podemos usar o aprendizado de máquina para classificar variedades de flores.

Além disso, em cada uma das imagens acima, um rótulo correto de 0 é dado para Setosa (mais à direita), 1 para Versicolor (à esquerda) e 2 para Versinica (centro). 
Fonte da imagem: SUPPLITION VECTOR MACHINE (SVM CLASSIFIER) IMPLEMENATION EM PYTHON COM SCIKIT-LEARN

Imagem da fonte: conjunto de dados da íris

A tarefa de classificar a raça da íris é classificar as variedades de flores a partir do 
comprimento e largura das flores, comprimento e largura das pétalas das flores .

Assim, no conjunto de dados, são dados 150 conjuntos de dados com quatro medidas (características) 
ligadas a três flores (SetosalVersicolor, Versinica) 
.

Número	Comprimento · Largura (cm)	Pétala e Sepal
1	Comprimento Sepal	Comprimento do sepal (comprimento dos peixes)
2	Largura Sépala	A largura do Sepal (o comprimento de uma cola)
3	Comprimento da pétala	Comprimento da pétala (pétalas)
4	largura da pétala	Largura da pétala (pétala)

E o valor de resposta correto (rótulo: nome da flor) é o seguinte. 
0: Setosa 
1: Versicolor 
2: Versinica

O propósito deste tempo é permitir que uma flor (produção) seja aplicada a qual dos três tipos de flor é aplicável, dadas as variedades de flores (entrada) quando quatro valores medidos são dados (entrada).

Vamos verificar a relação entre entrada e saída novamente.

Por exemplo, os quatro valores de medição a serem inseridos são os seguintes.

Entrada

Recurso	cm
Comprimento Sepal	1,4
Separar Largura	3,5
Comprimento da Pétala	5,1
Largura da Pétala	0,2

Exemplo de programa

1

Modelo . Predict ([[ 1,4 , 3,5 , 5,1 , 0,2 ]])

Saída

2 (isto é, é julgado como Versinica)

Valor de saída do programa

1

[ 2 ]

Experiência de programação de aprendizado de máquina (implementação)

Desta vez, vamos realizar a classificação usando um algoritmo chamado SVM (máquina de vetores de suporte). 
Primeiro, do sklearn, o dataset e o SVM da Iris são carregados.

1

dos  conjuntos de dados de importação do sklearn  

2

de  sklearn  import  svm

Em seguida, o conteúdo de dados da Iris e a forma da íris são emitidos.

1

# Ler dados de medição da íris

2

Iris  =  conjuntos de dados . Load_iris ()

3

No caso

4

imprimir ( íris . dados )

5

imprimir ( iris . dados . forma ) # forma

Como você pode ver, existem 150 dados no Iris. 
Em seguida, examinarei o tamanho dos dados.

1

Num  =  Len ( Iris . Dados )

2

print ( num )

Agora escreva a máquina de vetores de suporte. 
Vamos comentar o processamento da página anterior.

1

Clf  =  SVM . LinearSVC ()

2

CLF . Fit ( Iris . Dados , Iris . Alvo )

Vamos explicar svm.LinearSVC () e fit () aqui. 
Primeiro, o svm.LinearSVC () é um algoritmo chamado SVM (Support Vector Machine). 
No scikit-learn, três tipos de SVM relacionados à classificação (SVC, LinearSVC, NuSVC) são preparados. 
Vamos usar o LinearSVC nisso. (LinearSVC é um SVM especializado quando o kernel é um kernel linear.)

Desta vez vamos classificar a íris usando o algoritmo SVM. 
Em seguida, é fit (), mas você pode aprender (aprendizado de máquina) usando fit (). 
Damos a quantidade característica X ao primeiro argumento de ajuste () e rotulamos os dados Y para o segundo argumento e o usamos.

Em seguida, vamos fazer uma previsão sobre o modelo que fizemos. 
O que eu dei é o que a flor é aqueles com comprimento 
1,4 
largura da testa 1,8 
comprimento das pétalas 3,9 
largura da pétala 0,5 
.

1

print ( clf . predizer ([[ 1,4 , 1,8 , 3,9 , 0,5 ]])))

A saída é uma de 0, 1, 2 (rótulo de flor), mas ao inserir o 
comprimento e largura da flor com isso, foi decidido que o rótulo da flor poderia ser previsto.

Ao executar o programa até agora, podemos agora classificar a variedade de plantas. 
Este é todo o código-fonte até o momento.

1

dos  conjuntos de dados de importação do sklearn  

2

de  sklearn  import  svm

3

No caso

4

# Ler dados de medição da íris

5

Iris  =  conjuntos de dados . Load_iris ()

6

Clf  =  SVM . LinearSVC ()

7

CLF . Fit ( Iris . Dados , Iris . Alvo )

8

de impressão ( CLF . prever ([[ 1,4 , 3,5 , 5,1 , 0,2 ], [ 6,5 , 2,6 , 4,4 , 1,4 ], [ 5,9 , 3,0 , 5,2 , 1,5 ]]))

9

No caso

10

"" ""

11

O seguinte é um código dividido em dados de treinamento e dados de teste,

12

É todo o programa que adicionou código de teste e avaliação.

13

"" ""

14

No caso

15

De  Sklearn . Model_selection  Import  Train_test_split

16

De  Sklearn . Ensemble  Import  RandomForestClassifier

17

de  sklearn  import  svm

18

De  Sklearn . Metrics  Import  Accuracy_score

19

No caso

20

No caso

21

# Leitura de dados

22

Iris  =  conjuntos de dados . Load_iris ()

23

X , Y  =  íris . Dados , da íris . Alvo

24

No caso

25

# Divida em dados de treinamento e dados de teste

26

x_train , x_test , y_train , y_test  =  train_test_split ( x , y , estado_random = 1 )

27

No caso

28

# Selecione o modelo

29

Modelo  =  SVM . LinearSVC ()

30

# model = RandomForestClassifier ()

31

# Learning

32

Modelo . Fit ( X_train , Y_train )

33

No caso

34

# Teste e avaliação

35

pred  =  model . predizer ( x_test )

36

print ( accuracy_score ( y_test , pred ))

37

No caso

38

# Use o modelo aprendido

39

print ( modelo . prever ([[ 1,4 , 3,5 , 5,1 , 0,2 ]])))

40

# É possível passar mais de um como segue

41

# print (model.predict ([[1,4, 3,5, 5,1, 0,2], [6,5, 2,6, 4,4, 1,4], [5,9, 3,0, 5,2, 1,5]])))

42

# [2 1 2] é emitido

43

No caso

Resumo

Neste capítulo, usamos o scikit - aprenda a classificar os conjuntos de dados da íris e experimente a programação de aprendizado de máquina. 
O tema tratado neste momento é apenas sobre a classificação da aprendizagem supervisionada de aprendizado de máquina. 
Além disso, há também regressão, etc, por isso, se você quiser aprender mais , avance o curso introdutório de programação de aprendizado de máquina