Машинното обучение е подполе на изкуствения интелект, което позволява на компютърните системи да се учат от данни, без да бъдат изрично програмирани. Системите използват алгоритми, за да разпознават модели, правят прогнози и вземат решения.
Моделът се обучава с маркирани данни (вход + желан изход). Използва се за класификация и регресия.
Моделът работи с немаркирани данни и сам открива скрити структури и модели (клъстериране).
Агентът се учи чрез проби и грешки, получавайки награди или наказания за своите действия.
Ето как да направите прост модел за класификация:
from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score # Зареждане на данни iris = datasets.load_iris() X_train, X_test, y_train, y_test = train_test_split( iris.data, iris.target, test_size=0.2, random_state=42 ) # Създаване и обучение на модел model = RandomForestClassifier(n_estimators=100) model.fit(X_train, y_train) # Прогноза и точност predictions = model.predict(X_test) print(f"Точност: {accuracy_score(y_test, predictions):.2%}")
Можете да тествате този код директно в Better Notebook!