python人工智能human learn绘图可创建机器学习模型


Posted in Python onNovember 23, 2021

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。

python人工智能human learn绘图可创建机器学习模型

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?

python人工智能human learn绘图可创建机器学习模型

是的,这可以通过 human-learn 来完成。

什么是 human-learn

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。

安装 human-learn

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

python人工智能human learn绘图可创建机器学习模型

互动绘图

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:

python人工智能human learn绘图可创建机器学习模型

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:

python人工智能human learn绘图可创建机器学习模型

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')

python人工智能human learn绘图可创建机器学习模型

创建模型并进行预测

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。

预测新数据

# 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])

解释结果

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'])

python人工智能human learn绘图可创建机器学习模型

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?

预测和评估测试数据

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')

结论

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三水点靠木其它相关文章!

Python 相关文章推荐
python 多线程应用介绍
Dec 19 Python
从Python程序中访问Java类的简单示例
Apr 20 Python
python爬虫之urllib3的使用示例
Jul 09 Python
Python 中字符串拼接的多种方法
Jul 30 Python
在Python中给Nan值更改为0的方法
Oct 30 Python
python验证身份证信息实例代码
May 06 Python
Python 抓取微信公众号账号信息的方法
Jun 14 Python
Python反爬虫伪装浏览器进行爬虫
Feb 28 Python
使用tensorflow实现VGG网络,训练mnist数据集方式
May 26 Python
Python3 socket即时通讯脚本实现代码实例(threading多线程)
Jun 01 Python
PyCharm2019.3永久激活破解详细图文教程,亲测可用(不定期更新)
Oct 29 Python
python3爬虫GIL修改多线程实例讲解
Nov 24 Python
利用Python实现Picgo图床工具
Nov 23 #Python
python turtle绘图命令及案例
python机器学习Github已达8.9Kstars模型解释器LIME
如何在python中实现ECDSA你知道吗
Python jiaba库的使用详解
Nov 23 #Python
python 中的jieba分词库
Nov 23 #Python
python周期任务调度工具Schedule使用详解
Nov 23 #Python
You might like
php学习之数据类型之间的转换代码
2011/05/29 PHP
用php来改写404错误页让你的页面更友好
2013/01/24 PHP
简单了解将WordPress中的工具栏移到底部的小技巧
2015/12/31 PHP
浅析PHP中json_encode与json_decode的区别
2020/07/15 PHP
为数据添加append,remove功能
2006/10/03 Javascript
浅谈JavaScript函数参数的可修改性问题
2013/12/05 Javascript
值得分享的Bootstrap Ace模板实现菜单和Tab页效果
2015/12/30 Javascript
基于jQuery的Web上传插件Uploadify使用示例
2016/05/19 Javascript
浅谈Javascript中的12种DOM节点类型
2016/08/19 Javascript
jquery鼠标悬停导航下划线滑出效果
2017/09/29 jQuery
angular4 获取wifi列表中文显示乱码问题的解决
2018/10/20 Javascript
微信小程序实现顶部下拉菜单栏
2018/11/04 Javascript
vue文件运行的方法教学
2019/02/12 Javascript
史上最为详细的javascript继承(推荐)
2019/05/18 Javascript
jquery实现的分页显示功能示例
2019/08/23 jQuery
浅析Vue 中的 render 函数
2020/02/28 Javascript
JS实现iframe中子父页面跨域通讯的方法分析
2020/03/10 Javascript
小程序中的箭头函数的具体使用
2020/06/19 Javascript
[01:38:19]夜魇凡尔赛茶话会 第五期
2021/03/11 DOTA
python list中append()与extend()用法分享
2013/03/24 Python
使用tensorflow实现AlexNet
2017/11/20 Python
如何使用VSCode愉快的写Python于调试配置步骤
2018/04/06 Python
python中reader的next用法
2018/07/24 Python
python实现图片筛选程序
2018/10/24 Python
详解Python 4.0 预计推出的新功能
2019/07/26 Python
Pytorch .pth权重文件的使用解析
2020/02/14 Python
windows+vscode安装paddleOCR运行环境的步骤
2020/11/11 Python
深入探究HTML5的History API
2015/07/09 HTML / CSS
关于canvas.toDataURL 在iOS运行失败的问题解决
2020/09/16 HTML / CSS
印度民族服装购物网站:BIBA
2019/08/05 全球购物
Douglas意大利官网:购买香水和化妆品
2020/05/27 全球购物
个人求职简历的自我评价
2013/10/19 职场文书
建筑工程质量通病防治方案
2014/06/08 职场文书
感恩老师演讲稿600字
2014/08/28 职场文书
社区好人好事材料
2014/12/26 职场文书
防溺水安全教育主题班会
2015/08/12 职场文书