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基础教程之udp端口扫描
Feb 10 Python
python 出现SyntaxError: non-keyword arg after keyword arg错误解决办法
Feb 14 Python
Django项目实战之用户头像上传与访问的示例
Apr 21 Python
Python中list查询及所需时间计算操作示例
Jun 21 Python
Python 进程之间共享数据(全局变量)的方法
Jul 16 Python
django的csrf实现过程详解
Jul 26 Python
python中字典按键或键值排序的实现代码
Aug 27 Python
python3中的eval和exec的区别与联系
Oct 10 Python
利用Python的folium包绘制城市道路图的实现示例
Aug 24 Python
python 实现图片修复(可用于去水印)
Nov 19 Python
Python中的流程控制详解
Feb 18 Python
详解Python牛顿插值法
May 11 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
解析php中eclipse 用空格替换 tab键
2013/06/24 PHP
php中利用explode函数分割字符串到数组
2014/02/08 PHP
支持中文、字母、数字的PHP验证码
2015/05/04 PHP
为调试JavaScript添加输出窗口的代码
2010/02/07 Javascript
同域jQuery(跨)iframe操作DOM(示例代码)
2013/12/13 Javascript
JavaScript fontsize方法入门实例(按照指定的尺寸来显示字符串)
2014/10/17 Javascript
jQuery圆形统计图开发实例
2015/01/04 Javascript
javascript解三阶幻方(九宫格)
2015/04/22 Javascript
jQuery.extend 函数及用法详细
2015/09/06 Javascript
基于JavaScript实现带缩略图的轮播效果
2017/01/12 Javascript
浅谈Node.js爬虫之网页请求模块
2018/01/11 Javascript
js+html实现点名系统功能
2019/11/05 Javascript
微信公众号服务器验证Token步骤图解
2019/12/30 Javascript
js实现文章目录索引导航(table of content)
2020/05/10 Javascript
ES5新增数组的实现方法
2020/05/12 Javascript
[45:25]完美世界DOTA2联赛循环赛 PXG vs IO 第一场 11.06
2020/11/09 DOTA
python 布尔操作实现代码
2013/03/23 Python
python调用cmd复制文件代码分享
2013/12/27 Python
python中执行shell命令的几个方法小结
2014/09/18 Python
Python使用scrapy采集数据过程中放回下载过大页面的方法
2015/04/08 Python
详解Python多线程Selenium跨浏览器测试
2017/04/01 Python
Python中的上下文管理器和with语句的使用
2018/04/17 Python
python3.6使用urllib完成下载的实例
2018/12/19 Python
Python程序打包工具py2exe和PyInstaller详解
2019/06/28 Python
解决Django layui {{}}冲突的问题
2019/08/29 Python
Python @property原理解析和用法实例
2020/02/11 Python
Django实现celery定时任务过程解析
2020/04/21 Python
opencv 图像礼帽和图像黑帽的实现
2020/07/07 Python
Python如何telnet到网络设备
2021/02/18 Python
使用layui实现左侧菜单栏及动态操作tab项的方法
2020/11/10 HTML / CSS
Boda Skins皮衣官网:奢侈皮夹克,全球配送
2016/12/15 全球购物
澳大利亚领先的折扣药房:Chemist Direct(有中文站)
2018/11/24 全球购物
消防工作实施方案
2014/06/09 职场文书
公司外出活动方案
2014/08/14 职场文书
信息技术远程培训心得体会
2016/01/09 职场文书
Spring Data JPA框架持久化存储数据到数据库
2022/04/28 Java/Android