Python 官方文档：入门教程 => 点击学习
目录什么是 human-learn安装 human-learn互动绘图创建模型并进行预测预测新数据解释结果预测和评估测试数据结论如今，数据科学家经常给带有标签的机器学习模型数据，以便
如今，数据科学家经常给带有标签的机器学习模型数据，以便它可以找出规则。
这些规则可用于预测新数据的标签。
这很方便，但是在此过程中可能会丢失一些信息。也很难知道引擎盖下发生了什么，以及为什么机器学习模型会产生特定的预测。
除了让机器学习模型弄清楚所有内容之外，还有没有一种方法可以利用我们的领域知识来设置数据标记的规则？
是的，这可以通过 human-learn 来完成。
human-learn 是一种工具，可让你使用交互式工程图和自定义模型来设置数据标记规则。在本文中，我们将探索如何使用 human-learn 来创建带有交互式图纸的模型。
pip install human-learn
我将使用来自sklearn的Iris数据来展示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
human-learn 允许你绘制数据集，然后使用工程图将其转换为模型。 为了演示这是如何有用的，想象一下如何创建数据集的散点图，如下所示：
查看上面的图时，你会看到如何将它们分成3个不同的区域，如下所示：
但是，可能很难将图形编写为规则并将其放入函数中，human-learn的交互式绘图将派上用场。
from hulearn.experimental.interactive import InteractiveCharts
charts = InteractiveCharts(train, labels='target')
charts.add_chart(x='sepal_length', y='sepal_width')
– 动图01
绘制方法：使用双击开始绘制多边形。然后单击以创建多边形的边。再次双击可停止绘制当前多边形。
我们对其他列也做同样的事情：
charts.add_chart(x='petal_length', y='petal_width')
一旦完成对数据集的绘制，就可以使用以下方法创建模型：
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！ 我们将工程图输入InteractiveClassifier类，使用类似的方法来拟合sklearn的模型，例如fit和predict_proba。
让我们来看看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]]
"""
需要说明的是，predict_proba给出了样本具有特定标签的概率。 例如，[5.71326574e-01 4.28530630e-01 1.42795945e-04]的第一个预测表示样本具有标签1的可能性为57.13％，样本具有标签2的可能性为42.85％，而样本为标签2的可能性为0.014％ 该样本的标签为0。
# 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])
为了了解模型如何根据该预测进行预测，让我们可视化新样本。
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()
使用上面的函数在petal_length和petal_width绘图上绘制一个新样本，该样本的点被标记为0的概率着色。
plot_prediction(0, columns=['petal_length', 'petal_width'])
其他列也是如此，我们可以看到红点位于具有许多黄点的区域中！ 这就解释了为什么模型预测新样本的标签为0。这很酷，不是吗？
现在，让我们使用该模型来预测测试数据中的所有样本并评估其性能。 开始使用混淆矩阵进行评估：
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]])
我们还可以使用F1分数评估结果：
f1_score(y_test, predictions, average='micro')
刚刚我们学习了如何通过绘制数据集来生成规则来标记数据。 这并不是说你应该完全消除机器学习模型，而是在处理数据时加入某种人工监督。
以上就是python人工智能human learn绘图可创建机器学习模型的详细内容，更多关于human learn绘图创建机器学习模型的资料请关注编程网其它相关文章！
--结束END--
本文标题: python人工智能human learn绘图创建机器学习模型
本文链接: https://lsjlt.com/news/158064.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
2024-03-01
2024-03-01
2024-03-01
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
官方手机版
微信公众号
商务合作
0