python人工智能human?learn繪圖創(chuàng)建機器學習模型
如今，數據科學家經常給帶有標簽的機器學習模型數據，以便它可以找出規(guī)則。
這些規(guī)則可用于預測新數據的標簽。
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生特定的預測。
除了讓機器學習模型弄清楚所有內容之外，還有沒有一種方法可以利用我們的領域知識來設置數據標記的規(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置數據標記規(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數據來展示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 允許你繪制數據集，然后使用工程圖將其轉換為模型。 為了演示這是如何有用的，想象一下如何創(chuàng)建數據集的散點圖，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)建模型并進行預測
一旦完成對數據集的繪制，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。
預測新數據
# 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])
解釋結果
為了了解模型如何根據該預測進行預測，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測新樣本的標簽為0。這很酷，不是嗎？
預測和評估測試數據
現在，讓我們使用該模型來預測測試數據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分數評估結果：
f1_score(y_test, predictions, average='micro')
結論
剛剛我們學習了如何通過繪制數據集來生成規(guī)則來標記數據。 這并不是說你應該完全消除機器學習模型，而是在處理數據時加入某種人工監(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容，更多關于human learn繪圖創(chuàng)建機器學習模型的資料請關注本站其它相關文章！
版權聲明：本站文章來源標注為YINGSOO的內容版權均為本站所有，歡迎引用、轉載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網站，禁止在非maisonbaluchon.cn所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內容來源于網友推薦、互聯網收集整理而來，僅供學習參考，不代表本站立場，如有內容涉嫌侵權，請聯系alex-e#qq.com處理。
關注官方微信