Mục lục:
Video: Phân tích One Piece chap 964 và dự đoán chap 965 || Truyện Tổng Hợp 2025
Khi bạn học một ngôn ngữ lập trình mới, bạn thường viết chương trình "hello world". Đối với học máy và phân tích tiên đoán, tạo ra một mô hình để phân loại bộ dữ liệu Iris là chương trình tương đương "hello world" của nó. Đây là một ví dụ khá đơn giản, nhưng nó rất hiệu quả trong việc giảng dạy những điều cơ bản về học máy và phân tích tiên đoán.
Làm thế nào để lấy mẫu dữ liệu
Để tạo ra mô hình tiên đoán của chúng tôi, bạn sẽ cần phải tải xuống bộ dữ liệu mẫu Iris. Tập dữ liệu này được cung cấp tự do từ nhiều nguồn, đặc biệt là tại các cơ sở giáo dục có các khoa học máy. May mắn thay, các folks tại đã được tốt đẹp, đủ để bao gồm một số dữ liệu mẫu và chức năng nạp dữ liệu cùng với gói của họ. Với mục đích của các ví dụ này, bạn chỉ cần chạy một vài dòng mã đơn giản để tải dữ liệu.
Làm thế nào để dán nhãn dữ liệu của bạn
Đây là một quan sát và các tính năng của nó từ mỗi lớp của bộ dữ liệu Hoa Iris.
| Chiều dài khoảng | Chiều rộng cánh cửa | Chiều dài cánh | Độ rộng cánh hoa | Loại / Nhãn mục tiêu |
|---|---|---|---|---|
| 5. 1 | 3. 5 1. 4 | 0. 2 | Setosa (0) | 7. 0 |
| 3. 2 | 4. 7 1. 4 | Màu xám (1) | 6. 3 | 3. 3 |
| 6. 0 | 2. 5 | Virginica (2) | Iris setosa, Iris virginica, |
) được giới thiệu bởi Ronald Fisher trong bài viết năm 1936 của ông, "Sử dụng các phép đo nhiều lần trong các vấn đề phân loại. "Tập dữ liệu này được biết đến nhiều nhất vì sử dụng rộng rãi trong học viện để học máy và thống kê. Bộ dữ liệu bao gồm 150 trường hợp, với 50 trường hợp từ mỗi trong 3 lớp của hoa Iris. Mẫu có 4 tính năng (thường được gọi là thuộc tính ), là các phép đo chiều dài và chiều rộng của cánh hoa và cánh hoa.
Phần thú vị của bộ dữ liệu này là ba lớp học có thể phân chia theo tuyến tính. Lớp Setosa có thể được tách ra khỏi hai lớp khác bằng cách vẽ một đường thẳng trên biểu đồ giữa chúng. Các lớp
Virginica vàVersicolor không thể tách hoàn toàn bằng cách sử dụng một đường thẳng - mặc dù nó là gần. Điều này làm cho nó là một tập dữ liệu ứng viên hoàn hảo để phân tích phân loại nhưng không tốt cho phân tích clustering. Dữ liệu mẫu đã được dán nhãn. Cột bên phải (Nhãn) ở trên cho biết tên của mỗi lớp hoa Iris.Tên lớp được gọi là nhãn hoặc mục tiêu; nó thường được gán cho một biến có tên
y . Nó về cơ bản là kết quả hoặc kết quả của những gì đang được dự đoán. Trong số liệu thống kê và mô hình hoá, nó thường được gọi là biến phụ thuộc . Nó phụ thuộc vào đầu vào tương ứng với chiều dài và chiều rộng của thân và chiều dài và chiều rộng cánh hoa. Bạn cũng có thể muốn biết những gì khác nhau về bộ dữ liệu Iris đã được xử lý trước của scikit so với số liệu ban đầu. Để tìm ra, bạn cần phải lấy tệp dữ liệu ban đầu. Bạn có thể thực hiện tìm kiếm trên Google với dữ liệu iris dataset
và tải nó xuống hoặc xem nó từ bất kỳ một trong các cơ sở giáo dục. Kết quả thường đi trước là kho máy tính học tập của Đại học California Irvine (UCI) của bộ dữ liệu. Bộ dữ liệu Iris ở trạng thái ban đầu từ kho lưu trữ học tập UCI có thể tìm thấy trên trang web của UCI. Nếu tải xuống, bạn có thể xem nó với bất kỳ trình biên tập văn bản nào. Khi xem dữ liệu trong tệp, bạn sẽ nhận thấy rằng có năm cột trong mỗi hàng. Bốn cột đầu tiên là phép đo (được gọi là
các tính năng ) và cột cuối cùng là nhãn. Nhãn khác giữa phiên bản gốc và scikit của bộ dữ liệu Iris. Sự khác biệt khác là hàng đầu tiên của tệp dữ liệu. Nó bao gồm một hàng tiêu đề được sử dụng bởi chức năng nạp dữ liệu scikit. Nó không có ảnh hưởng đến các thuật toán mình.
Việc chuẩn hóa các tính năng cho các con số thay vì giữ chúng dưới dạng văn bản làm cho các thuật toán xử lý dễ dàng hơn - và hiệu quả của bộ nhớ hơn nhiều. Điều này đặc biệt rõ ràng nếu bạn chạy tập dữ liệu rất lớn với nhiều tính năng - thường là trường hợp trong các tình huống thực tế.
Dưới đây là dữ liệu mẫu từ cả hai tệp. Tất cả các cột dữ liệu là như nhau ngoại trừ Col5. Lưu ý rằng scikit có tên lớp với nhãn số; tập tin gốc có nhãn văn bản. Nguồn Col1
Col2
Col3
Col4
| Col5 | scikit | 5. 1 | 3. 5 1. 4 | 0. 2 | 0 |
|---|---|---|---|---|---|
| bản gốc | 5. 1 | 3. 5 1. 4 | 0. 2 | Iris-setosa | scikit |
| 7. 0 | 3. 2 | 4. 7 1. 4 | 1 | bản gốc | 7. 0 |
| 3. 2 | 4. 7 1. 4 | Iris-versicolor | scikit | 6. 3 | 3. 3 |
| 6. 0 | 2. 5 | 2 | bản gốc | 6. 3 | 3. 3 |
| 6. 0 | 2. 5 | Iris-virginica |
