python人工智能human?learn繪圖創(chuàng)建機器學習模型
如今，數(shù)據(jù)科學家經(jīng)常給帶有標簽的機器學習模型數(shù)據(jù)，以便它可以找出規(guī)則。
這些規(guī)則可用于預(yù)測新數(shù)據(jù)的標簽。
這很方便，但是在此過程中可能會丟失一些信息。也很難知道引擎蓋下發(fā)生了什么，以及為什么機器學習模型會產(chǎn)生特定的預(yù)測。
除了讓機器學習模型弄清楚所有內(nèi)容之外，還有沒有一種方法可以利用我們的領(lǐng)域知識來設(shè)置數(shù)據(jù)標記的規(guī)則？
是的，這可以通過 human-learn 來完成。
什么是 human-learn
human-learn 是一種工具，可讓你使用交互式工程圖和自定義模型來設(shè)置數(shù)據(jù)標記規(guī)則。在本文中，我們將探索如何使用 human-learn 來創(chuàng)建帶有交互式圖紙的模型。
安裝 human-learn
pip install human-learn
我將使用來自sklearn的Iris數(shù)據(jù)來展示human-learn的工作原理。
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split import pandas as pd # Load data X, y = load_iris(return_X_y=True, as_frame=True) X.columns = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width'] # Train test split X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1) # Concatenate features and labels of the training data train = pd.concat([X_train, pd.DataFrame(y_train)], axis=1) train
互動繪圖
human-learn 允許你繪制數(shù)據(jù)集，然后使用工程圖將其轉(zhuǎn)換為模型。 為了演示這是如何有用的，想象一下如何創(chuàng)建數(shù)據(jù)集的散點圖，如下所示：
查看上面的圖時，你會看到如何將它們分成3個不同的區(qū)域，如下所示：
但是，可能很難將圖形編寫為規(guī)則并將其放入函數(shù)中，human-learn的交互式繪圖將派上用場。
from hulearn.experimental.interactive import InteractiveCharts charts = InteractiveCharts(train, labels='target') charts.add_chart(x='sepal_length', y='sepal_width')
– 動圖01
繪制方法：使用雙擊開始繪制多邊形。然后單擊以創(chuàng)建多邊形的邊。再次雙擊可停止繪制當前多邊形。
我們對其他列也做同樣的事情：
charts.add_chart(x='petal_length', y='petal_width')
創(chuàng)建模型并進行預(yù)測
一旦完成對數(shù)據(jù)集的繪制，就可以使用以下方法創(chuàng)建模型：
from hulearn.classification import InteractiveClassifier model = InteractiveClassifier(json_desc=charts.data()) preds = model.fit(X_train, y_train).predict_proba(X_train) print(preds.shape) # Output: (150, 3)
cool！ 我們將工程圖輸入InteractiveClassifier類，使用類似的方法來擬合sklearn的模型，例如fit和predict_proba。
讓我們來看看pred的前5行：
print('Classes:', model.classes_)
print('Predictions:\n', preds[:5, :])
"""Output
Classes: [1, 2, 0]
Predictions:
[[5.71326574e-01 4.28530630e-01 1.42795945e-04]
[2.00079952e-01 7.99720168e-01 1.99880072e-04]
[2.00079952e-01 7.99720168e-01 1.99880072e-04]
[2.49812641e-04 2.49812641e-04 9.99500375e-01]
[4.99916708e-01 4.99916708e-01 1.66583375e-04]]
"""
需要說明的是，predict_proba給出了樣本具有特定標簽的概率。 例如，[5.71326574e-01 4.28530630e-01 1.42795945e-04]的第一個預(yù)測表示樣本具有標簽1的可能性為57.13％，樣本具有標簽2的可能性為42.85％，而樣本為標簽2的可能性為0.014％ 該樣本的標簽為0。
預(yù)測新數(shù)據(jù)
# Get the first sample of X_test
new_sample = new_sample = X_test.iloc[:1]
# Predict
pred = model.predict(new_sample)
real = y_test[:1]
print("The prediction is", pred[0])
print("The real label is", real.iloc[0])
解釋結(jié)果
為了了解模型如何根據(jù)該預(yù)測進行預(yù)測，讓我們可視化新樣本。
def plot_prediction(prediction: int, columns: list):
"""Plot new sample
Parameters
----------
prediction : int
prediction of the new sample
columns : list
Features to create a scatter plot
"""
index = prediction_to_index[prediction]
col1, col2 = columns
plt.figure(figsize=(12, 3))
plt.scatter(X_train[col1], X_train[col2], c=preds[:, index])
plt.plot(new_sample[col1], new_sample[col2], 'ro', c='red', label='new_sample')
plt.xlabel(col1)
plt.ylabel(col2)
plt.title(f"Label {model.classes_[index]}")
plt.colorbar()
plt.legend()
使用上面的函數(shù)在petal_length和petal_width繪圖上繪制一個新樣本，該樣本的點被標記為0的概率著色。
plot_prediction(0, columns=['petal_length', 'petal_width'])
其他列也是如此，我們可以看到紅點位于具有許多黃點的區(qū)域中！ 這就解釋了為什么模型預(yù)測新樣本的標簽為0。這很酷，不是嗎？
預(yù)測和評估測試數(shù)據(jù)
現(xiàn)在，讓我們使用該模型來預(yù)測測試數(shù)據(jù)中的所有樣本并評估其性能。 開始使用混淆矩陣進行評估：
from sklearn.metrics import confusion_matrix, f1_score predictions = model.predict(X_test) confusion_matrix(y_test, predictions, labels=[0,1,2])
array([[13, 0, 0],
[ 0, 15, 1],
[ 0, 0, 9]])
我們還可以使用F1分數(shù)評估結(jié)果：
f1_score(y_test, predictions, average='micro')
結(jié)論
剛剛我們學習了如何通過繪制數(shù)據(jù)集來生成規(guī)則來標記數(shù)據(jù)。 這并不是說你應(yīng)該完全消除機器學習模型，而是在處理數(shù)據(jù)時加入某種人工監(jiān)督。
以上就是python人工智能human learn繪圖可創(chuàng)建機器學習模型的詳細內(nèi)容，更多關(guān)于human learn繪圖創(chuàng)建機器學習模型的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
Python提供了豐富的工具來處理文件批量操作,包括批量重命名文件、移動文件和修改文件內(nèi)容,具有一定的參考價值,感興趣的可以了解一下2024-12-12
今天小編就為大家分享一篇python opencv 二值化 計算白色像素點的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
這篇文章主要介紹了如何通過python實現(xiàn)全排列,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-02-02
這篇文章主要介紹了Python2.x和3.x版本的主要區(qū)別,本文給大家介紹的非常詳細，具有一定的參考借鑒價值，需要的朋友可以參考下2018-11-11
這篇文章主要為大家介紹了Python數(shù)據(jù)類型探索列表魔法世界,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪2023-11-11
python使用xslt提取網(wǎng)頁數(shù)據(jù)的方法
這篇文章主要為大家詳細介紹了Python使用xslt提取網(wǎng)頁數(shù)據(jù)的方法，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-02-02
基于Python實現(xiàn)報表自動化并發(fā)送到郵箱
作為數(shù)據(jù)分析師，我們需要經(jīng)常制作統(tǒng)計分析圖表。但是報表太多的時候往往需要花費我們大部分時間去制作報表。本文將利用Python實現(xiàn)報表自動化并發(fā)送到郵箱，需要的可以參考一下2022-07-07
這篇文章主要介紹了python pytest進階之conftest.py詳解,如果我們在編寫測試用的時候，每一個測試文件里面的用例都需要先登錄后才能完成后面的操作，那么們該如何實現(xiàn)呢？這就需要我們掌握conftest.py文件的使用了,需要的朋友可以參考下2019-06-06
這篇文章主要介紹了python實現(xiàn)中文輸出的兩種方法,實例分析了Python操作中文輸出的技巧,需要的朋友可以參考下2015-05-05
python實戰(zhàn)游戲之史上最難最虐的掃雷游戲沒有之一
這篇文章主要介紹了使用 python 實現(xiàn)掃雷游戲,不同于傳統(tǒng)過時的掃雷，今天我們用 Python 增加了新花樣，文中給大家介紹的非常詳細，需要的朋友可以參考下2021-09-09