Índice:
Vídeo: Excel 2013 Usando Data Mining para Análise Preditiva 2024
Quando você está aprendendo uma nova linguagem de programação, é costume escrever o programa "Olá mundo". Para a aprendizagem de máquinas e análises preditivas, a criação de um modelo para classificar o conjunto de dados Iris é o programa equivalente "Olá mundo". Este é um exemplo bastante simples, mas é muito eficaz em ensinar os conceitos básicos de aprendizagem mecânica e análises preditivas.
Como obter o conjunto de dados de amostra
Para criar nosso modelo preditivo, você precisará baixar o conjunto de dados de amostra do Iris. Este conjunto de dados está disponível gratuitamente em várias fontes, especialmente em instituições acadêmicas que possuem departamentos de aprendizagem em máquina. Felizmente, as pessoas foram boas o suficiente para incluir alguns conjuntos de dados de amostra e funções de carregamento de dados, juntamente com o pacote deles. Para os fins desses exemplos, você só precisará executar algumas linhas simples de código para carregar os dados.
Como rotular seus dados
Aqui está uma observação e seus recursos de cada classe do conjunto de dados da Flor Iris.
| Comprimento Sepal | Largura Sepal | Comprimento da pétala | Largura da pétala | Classe alvo / Etiqueta |
|---|---|---|---|---|
| 5. 1 | 3. 5 | 1. 4 | 0. 2 | Setosa (0) |
| 7. 0 | 3. 2 | 4. 7 | 1. 4 | Versicolor (1) |
| 6. 3 | 3. 3 | 6. 0 | 2. 5 | Virginica (2) |
O conjunto de dados da flor Iris é um conjunto de dados multivariável real de três classes da flor Iris ( Iris setosa, Iris virginica, e Iris versicolor ) introduzidas por Ronald Fisher, em seu artigo de 1936, "O uso de medidas múltiplas em problemas taxonômicos". "Este conjunto de dados é mais conhecido por seu uso extensivo na academia para aprendizado de máquinas e estatísticas.
O conjunto de dados é composto por 150 casos totais, com 50 instâncias de cada uma das 3 classes da flor Iris. A amostra tem 4 recursos (também comumente chamados atributos ), que são as medidas de comprimento e largura das sepalas e pétalas.
A parte interessante deste conjunto de dados é que as três classes são separadamente linearmente separáveis. A classe Setosa pode ser separada das outras duas classes desenhando uma linha reta no gráfico entre elas. As classes Virginica e Versicolor não podem ser perfeitamente separadas usando uma linha reta - embora seja próxima. Isso torna um conjunto de dados perfeito para fazer análise de classificação, mas não é tão bom para a análise de agrupamento.
Os dados da amostra já foram rotulados. A coluna direita (Etiqueta) acima mostra os nomes de cada classe da flor Iris.O nome da classe é chamado de rótulo ou um alvo ; geralmente é atribuído a uma variável chamada y . É basicamente o resultado ou o resultado do que está sendo previsto.
Em estatísticas e modelagem, muitas vezes é referido como variável dependente . Depende das entradas que correspondem ao comprimento e largura do sépalo e ao comprimento e largura da pétala.
Você também pode querer saber o que é diferente sobre o conjunto de dados Iris pré-processado scikit, em comparação com o conjunto de dados original. Para descobrir, você precisa obter o arquivo de dados original. Você pode fazer uma pesquisa do Google conjunto de dados de íris e baixá-lo ou visualizá-lo de qualquer uma das instituições acadêmicas.
O resultado que geralmente aparece primeiro é o repositório de conjuntos de dados da Universidade da Califórnia Irvine (UCI). O conjunto de dados Iris em seu estado original do repositório UCI de aprendizagem em máquina pode ser encontrado no site da UCI.
Se você baixá-lo, você deve poder visualizá-lo com qualquer editor de texto. Ao visualizar os dados no arquivo, você notará que existem cinco colunas em cada linha. As primeiras quatro colunas são as medições (denominadas características ) e a última coluna é o rótulo. O rótulo difere entre as versões original e scikit do conjunto de dados Iris.
Outra diferença é a primeira linha do arquivo de dados. Inclui uma linha de cabeçalho usada pela função de carregamento de dados do scikit. Não tem efeito sobre os próprios algoritmos.
Normalização de recursos para números em vez de mantê-los como texto facilita o processamento dos algoritmos - e é muito mais eficiente em termos de memória. Isso é especialmente evidente se você executar conjuntos de dados muito grandes com muitos recursos - o que geralmente acontece em cenários reais.
Aqui estão os dados de amostra de ambos os arquivos. Todas as colunas de dados são as mesmas, exceto para o Col5. Note-se que scikit tem nomes de classe com rótulos numéricos; O arquivo original possui rótulos de texto.
| Fonte | Col1 | Col2 | Col3 | Col4 | Col5 |
|---|---|---|---|---|---|
| scikit | 5. 1 | 3. 5 | 1. 4 | 0. 2 | 0 |
| original | 5. 1 | 3. 5 | 1. 4 | 0. 2 | Iris-setosa |
| scikit | 7. 0 | 3. 2 | 4. 7 | 1. 4 | 1 |
| original | 7. 0 | 3. 2 | 4. 7 | 1. 4 | Iris-versicolor |
| scikit | 6. 3 | 3. 3 | 6. 0 | 2. 5 | 2 |
| original | 6. 3 | 3. 3 | 6. 0 | 2. 5 | Iris-virginica |
