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 base64编码解码实例
Jun 21 Python
Python rstrip()方法实例详解
Nov 11 Python
CentOS下Python3的安装及创建虚拟环境的方法
Nov 28 Python
浅谈Python3中strip()、lstrip()、rstrip()用法详解
Apr 29 Python
Python中函数的基本定义与调用及内置函数详解
May 13 Python
python 实现list或string按指定分段
Dec 25 Python
以SQLite和PySqlite为例来学习Python DB API
Feb 05 Python
Eclipse配置python默认头过程图解
Apr 26 Python
使用py-spy解决scrapy卡死的问题方法
Sep 29 Python
史上最详细的Python打包成exe文件教程
Jan 17 Python
linux系统下pip升级报错的解决方法
Jan 31 Python
Python连接Postgres/Mysql/Mongo数据库基本操作大全
Jun 29 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
转生史莱姆:萌王第一次撸串开心到飞起,哥布塔撸串却神似界王神
2018/11/30 日漫
PHP数组的交集array_intersect(),array_intersect_assoc(),array_inter_key()函数的小问题
2011/05/29 PHP
php多用户读写文件冲突的解决办法
2013/11/06 PHP
php中json_encode UTF-8中文乱码的更好解决方法
2014/09/28 PHP
php结合web uploader插件实现分片上传文件
2016/05/10 PHP
Yii2.0中的COOKIE和SESSION用法
2016/08/12 PHP
jquery.cvtooltip.js 基于jquery的气泡提示插件
2010/11/19 Javascript
js中的replace方法使用介绍
2013/10/28 Javascript
javascript面向对象快速入门实例
2015/01/13 Javascript
jQuery中innerWidth()方法用法实例
2015/01/19 Javascript
JS中frameset框架弹出层实例代码
2016/04/01 Javascript
详谈JS中实现种子随机数及作用
2016/07/19 Javascript
React Router基础使用
2017/01/17 Javascript
详谈jQuery中的一些正则匹配表达式
2017/03/08 Javascript
详谈jQuery.load()和Jsp的include的区别
2017/04/12 jQuery
vue中设置height:100%无效的问题及解决方法
2018/07/27 Javascript
Vue自定义toast组件的实例代码
2018/08/15 Javascript
微信小程序全局变量功能与用法详解
2019/01/22 Javascript
使用vue实现各类弹出框组件
2019/07/03 Javascript
通过实例了解Render Props回调地狱解决方案
2020/11/04 Javascript
pyqt4教程之实现windows窗口小示例分享
2014/03/07 Python
用C++封装MySQL的API的教程
2015/05/06 Python
python字符串Intern机制详解
2019/07/01 Python
python自动化测试之DDT数据驱动的实现代码
2019/07/23 Python
pandas中的数据去重处理的实现方法
2020/02/10 Python
Python 字节流,字符串,十六进制相互转换实例(binascii,bytes)
2020/05/11 Python
利用CSS3的特性改变文本选中时的颜色
2013/09/11 HTML / CSS
AT&T Wireless:手机、无限数据计划和配件
2018/06/03 全球购物
毕业生毕业总结的自我评价范文
2013/11/02 职场文书
党的群众路线教育实践活动批评与自我批评
2014/02/16 职场文书
浪漫婚礼主持词
2014/03/14 职场文书
2014年党委工作总结
2014/11/22 职场文书
餐厅保洁员岗位职责
2015/04/10 职场文书
高三教师工作总结2015
2015/07/21 职场文书
2016年小学生教师节广播稿
2015/12/18 职场文书
CSS中使用grid布局实现一套模板多种布局
2022/07/15 HTML / CSS