如今，數(shù)據(jù)科學(xué)家經(jīng)常給帶有標(biāo)簽的機(jī)器學(xué)習(xí)模型數(shù)據(jù)，以便它可以找出規(guī)則。

這些規(guī)則可用于預(yù)測新數(shù)據(jù)的標(biāo)簽。

這很方便，但是在此過程中可能會(huì)丟失一些信息。也很難知道引擎蓋下發(fā)生了什么，以及為什么機(jī)器學(xué)習(xí)模型會(huì)產(chǎn)生特定的預(yù)測。

除了讓機(jī)器學(xué)習(xí)模型弄清楚所有內(nèi)容之外，還有沒有一種方法可以利用我們的領(lǐng)域知識(shí)來設(shè)置數(shù)據(jù)標(biāo)記的規(guī)則？

是的，這可以通過 human-learn 來完成。

什么是 human-learn

human-learn 是一種工具，可讓你使用交互式工程圖和自定義模型來設(shè)置數(shù)據(jù)標(biāo)記規(guī)則。在本文中，我們將探索如何使用 human-learn 來創(chuàng)建帶有交互式圖紙的模型。

安裝 human-learn

pip install human-learn

我將使用來自sklearn的Iris數(shù)據(jù)來展示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

互動(dòng)繪圖

human-learn 允許你繪制數(shù)據(jù)集，然后使用工程圖將其轉(zhuǎn)換為模型。 為了演示這是如何有用的，想象一下如何創(chuàng)建數(shù)據(jù)集的散點(diǎn)圖，如下所示：

查看上面的圖時(shí)，你會(huì)看到如何將它們分成3個(gè)不同的區(qū)域，如下所示：

但是，可能很難將圖形編寫為規(guī)則并將其放入函數(shù)中，human-learn的交互式繪圖將派上用場。

from hulearn.experimental.interactive import InteractiveCharts
charts = InteractiveCharts(train, labels='target')
charts.add_chart(x='sepal_length', y='sepal_width')

– 動(dòng)圖01

繪制方法：使用雙擊開始繪制多邊形。然后單擊以創(chuàng)建多邊形的邊。再次雙擊可停止繪制當(dāng)前多邊形。

我們對其他列也做同樣的事情：

charts.add_chart(x='petal_length', y='petal_width')

創(chuàng)建模型并進(jìn)行預(yù)測

一旦完成對數(shù)據(jù)集的繪制，就可以使用以下方法創(chuàng)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！ 我們將工程圖輸入InteractiveClassifier類，使用類似的方法來擬合sklearn的模型，例如fit和predict_proba。

讓我們來看看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]]
"""

需要說明的是，predict_proba給出了樣本具有特定標(biāo)簽的概率。 例如，[5.71326574e-01 4.28530630e-01 1.42795945e-04]的第一個(gè)預(yù)測表示樣本具有標(biāo)簽1的可能性為57.13％，樣本具有標(biāo)簽2的可能性為42.85％，而樣本為標(biāo)簽2的可能性為0.014％ 該樣本的標(biāo)簽為0。

預(yù)測新數(shù)據(jù)

# 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])

解釋結(jié)果

為了了解模型如何根據(jù)該預(yù)測進(jìn)行預(yù)測，讓我們可視化新樣本。

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()

使用上面的函數(shù)在petal_length和petal_width繪圖上繪制一個(gè)新樣本，該樣本的點(diǎn)被標(biāo)記為0的概率著色。

plot_prediction(0, columns=['petal_length', 'petal_width'])

其他列也是如此，我們可以看到紅點(diǎn)位于具有許多黃點(diǎn)的區(qū)域中！ 這就解釋了為什么模型預(yù)測新樣本的標(biāo)簽為0。這很酷，不是嗎？

預(yù)測和評估測試數(shù)據(jù)

現(xiàn)在，讓我們使用該模型來預(yù)測測試數(shù)據(jù)中的所有樣本并評估其性能。 開始使用混淆矩陣進(jìn)行評估：

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]])

我們還可以使用F1分?jǐn)?shù)評估結(jié)果：

f1_score(y_test, predictions, average='micro')

結(jié)論

剛剛我們學(xué)習(xí)了如何通過繪制數(shù)據(jù)集來生成規(guī)則來標(biāo)記數(shù)據(jù)。 這并不是說你應(yīng)該完全消除機(jī)器學(xué)習(xí)模型，而是在處理數(shù)據(jù)時(shí)加入某種人工監(jiān)督。

以上就是python人工智能human learn繪圖可創(chuàng)建機(jī)器學(xué)習(xí)模型的詳細(xì)內(nèi)容，更多關(guān)于human learn繪圖創(chuàng)建機(jī)器學(xué)習(xí)模型的資料請關(guān)注服務(wù)器之家其它相關(guān)文章！

原文鏈接：https://blog.csdn.net/weixin_38037405/article/details/117856231