Хотите делать прогнозы с помощью машинного обучения с Python и TFLearn? В конце этой статьи вы поймете самые основы машинного обучения и сможете делать свои собственные простые прогнозы. Вам не нужно иметь продвинутые знания о python или TensorFlow. Потому что я буду учить вас этому шаг за шагом. Раньше я изо всех сил пытался понять эти концепции. Потому что никто не смог разъяснить мне эти понятия. Из-за этого мне пришлось много работать, чтобы понять все эти концепции. Каким-то образом я смог понять эти концепции, и теперь я знаю, как учить кого-то, не путая их. Давайте начнем их. Перед этим используйте всплывающее окно, чтобы подписаться на мою бесплатную рассылку новостей. Я буду присылать вам свои последние статьи по электронной почте.
Что такое машинное обучение?
Я не собираюсь учить вас определениям этих понятий. Я дам вам базовое понимание методов машинного обучения. Как пользователи компьютеров, мы привыкли давать инструкции компьютеру, чтобы получить от него ожидаемый результат. Мы должны были дать каждую инструкцию должным образом, чтобы получить ожидаемый результат. Но, используя машинное обучение, пользователь будет предоставлять только набор данных, который включает только входные и выходные данные. Тогда компьютер поймет закономерности между входами и выходами. Затем, если мы запросим выходные данные, которые не включены в набор обучающих данных, машина будет использовать шаблон для прогнозирования ответа. Это основной механизм машинного обучения. Мы можем передать прошлые данные алгоритму и получить прогнозы.
Что такое ТензорФлоу?
TensorFlow — это библиотека машинного обучения, разработанная Google. У него много алгоритмов, которые мы можем использовать для машинного обучения. Это одна из ведущих отраслевых библиотек, относящаяся к категории технологий с открытым исходным кодом. TensorFlow используется многими известными компаниями, такими как eBay, Airbnb, Nvidia, Uber, Google, Intel, Coca Cola, Snapchat и многими другими. Эта библиотека даст вам гибкость в настройке существующих алгоритмов.
Как получить предсказание?
Линейная регрессия — это статистический метод, позволяющий обобщать и изучать связи между двумя переменными. В качестве примера возьмем следующую таблицу и нарисуем линейную регрессию. Тогда вы получите четкое представление о том, как получить прогноз с помощью линейной регрессии.
Как видите, у меня есть таблица с двумя столбцами. Столбец X является входом, а столбец Y — выходом. Когда на входе 3, на выходе 4. Когда на входе 4, на выходе 5. Как вы можете видеть здесь, существует механизм между входами и выходами. Как мы уже видим, мы можем получить результат, добавив 1 к входу. Но мы собираемся разобраться в механизме с помощью машинного обучения. Мы позволим машине разобраться. Согласно механизму, мы уже знаем, что если мы поставим 10 на вход, мы получим 11 на выходе. Давайте скажем машине предсказать результат, если мы поставим 10 в качестве входных данных. Перед этим нам нужно установить TensorFlow.
Установите TensorFlow и Tflearn.
Нам нужно установить TensorFlow, чтобы заархивировать эту задачу. Перед этим вам нужно установить python и pip. Вы можете обратиться к моим статьям Основы Python. Затем вы можете использовать следующую команду для установки TensorFlow.
pip install tensorflow
Затем нам нужно установить Tflearn. TFlearn — это библиотека глубокого обучения, построенная на основе Tensorflow. Он был разработан, чтобы предоставить API более высокого уровня для TensorFlow. Это увеличит скорость вашей разработки и сделает TensorFlow простым в использовании. Используйте команду ниже, чтобы установить Tflearn поверх TensorFlow.
pip install tflearn
Давайте напишем наш код, чтобы получить прогноз
Прежде всего, посмотрите на этот код. Затем я объясню код шаг за шагом.
#Import tflearn import tflearn # Defining input and output regression data X = [3,4,5,6,7,8,9] Y = [4,5,6,7,8,9,10] # Linear Regression graph input_ = tflearn.input_data(shape=[None]) linear = tflearn.single_unit(input_) regression = tflearn.regression(linear, optimizer='sgd', loss='mean_square',metric='R2', learning_rate=0.01) m = tflearn.DNN(regression) m.fit(X, Y, n_epoch=1000, show_metric=True, snapshot_epoch=False) #predicting the output of 10 print(m.predict([10]))
Как видите, сначала мы импортируем файл tflearn. Затем мы переназначаем ввод и выводим значения на оси X и Y, используя переменные X и Y. Затем мы начинаем собственно часть машинного обучения. Сначала мы создаем переменную input_ и назначаем ее классу input_data tflearn. Мы предоставляем форму как Нет. Нам нужно указать форму наших входных данных. Форма будет зависеть от количества функций, которые у нас есть в нашем наборе входных данных. Вы можете обратиться к этому примеру, чтобы узнать больше об этом. Поскольку наш вывод не зависит от множества характеристик ввода, мы используем Нет (Нет означает неизвестное измерение, поэтому мы можем изменить общее количество образцов, которые обрабатываются в пакете).
Затем мы определяем однослойную нейронную сеть и добавляем в нее входные данные. Затем мы определяем регрессию. Используя это, вы можете определить регрессию, а также оптимизировать ее. Вы можете обратиться к этой документации для получения дополнительной информации. Затем мы инициализируем глубокую нейронную сеть и добавляем к ней регрессию. Затем мы оптимизируем его и получаем прогноз. Если все в порядке, вы получите следующий результат.
Давайте запустим код
Как вы можете видеть здесь, наш небольшой скрипт предсказал вывод ввода. Мы спросили у скрипта, что произойдет, если мы введем 10 в качестве входных данных. Это дало нам ответ 11.096146. Это означает, что 11 является ответом.
Помните, я просто хочу, чтобы вы дали простое представление о том, как работает машинное обучение. Существует множество библиотек и языков программирования, поддерживающих машинное обучение. Это линейная регрессия. Но есть много других регрессий и методов, которые мы можем использовать. Надеюсь, вы что-то вынесли из моего урока. Пожалуйста, поделитесь этим с друзьями, и если у вас есть проблема, не стесняйтесь комментировать здесь. Я отвечу на него. большое спасибо и увидимся с моим следующим уроком. Если вы любитель Javascript, оставайтесь на связи с моим блогом. Я собираюсь научить вас, как выполнять машинное обучение с помощью Javascript.
Связанный
Первоначально опубликовано на сайте videotutorialspot.com 12 января 2019 г.
