<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ThinkChat2.0新版上線,更智能更精彩,支持會話、畫圖、視頻、閱讀、搜索等,送10W Token,即刻開啟你的AI之旅 廣告
                # BigML教程:開發您的第一個決策樹并進行預測 > 原文: [https://machinelearningmastery.com/bigml-tutorial-develop-your-first-decision-tree-and-make-predictions/](https://machinelearningmastery.com/bigml-tutorial-develop-your-first-decision-tree-and-make-predictions/) BigML是一家全新的,有趣的機器學習服務公司,總部位于美國俄勒岡州的Corvallis。 在上一篇文章中,我們[審閱了BigML服務](http://machinelearningmastery.com/bigml-review-discover-the-clever-features-in-this-machine-learning-as-a-service-platform/ "BigML Review: Discover the Clever Features in This Machine Learning as a Service Platform"),關鍵功能以及您在業務中使用此服務的方式,在您方項目或向客戶展示。在本教程中,我們將逐步介紹使用BigML平臺開發預測模型的分步教程,并使用它來預測未用于創建模型的數據。該模型將是[決策樹](http://en.wikipedia.org/wiki/Decision_tree)。 您可以通過注冊[免費試用BigML帳戶](https://bigml.com/)來跟進。將您的帳戶配置為“_開發模式_”,您將不需要任何學分來完成本教程中的任務。 ## 虹膜種類分類問題 在本教程中,我們將使用經過充分研究的Iris花卉數據集。該數據集由150個描述鳶尾花測量的實例組成,每個鳶尾花被歸類為三種虹膜中的一種。屬性是數字,問題是多類分類問題。 [![Sample of the Iris flower dataset](https://img.kancloud.cn/5b/05/5b05f28946c3ab4863be936d299d7b7a_300x233.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/03/iris-dataset-sample.png) Iris花卉數據集的樣本,來自 [Wikipedia](http://en.wikipedia.org/wiki/Iris_flower_data_set) 的截圖 您可以在 [Wikipedia頁面](http://en.wikipedia.org/wiki/Iris_flower_data_set)上閱讀有關此問題的更多信息,并從UCI機器學習庫上的 [Iris頁面下載數據。](http://archive.ics.uci.edu/ml/datasets/Iris) ## 1.加載數據和創建數據集 在本節中,您將準備數據源和數據集,以便在BigML中使用。 ### 1.1。創建數據源 首先,我們需要創建一個數據源。這是原始數據,我們可以從中創建原始數據的數據集或視圖。 1. 登錄您的BigML帳戶。 2. 單擊“ _Dashboard_ ”按鈕轉到BigML儀表板。 3. 單擊“ _Source_ ”選項卡列出您帳戶的所有數據源。 4. 單擊“鏈接”按鈕以指定遠程數據文件。 5. 輸入網址( [http://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data](http://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data) )和說明(“_鳶尾花數據源_] “)用于UCI機器學習庫中的Iris花數據集。 6. 單擊“ _Create_ ”按鈕創建新數據源。 7. 點擊“_鳶尾花數據源_”進行查看。 [![BigML Data Source](https://img.kancloud.cn/a9/95/a995b4a1fffc55bba85492c26744fa41_270x300.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/04/bigml-data-source.png) BigML數據源 您將注意到屬性數據類型已正確識別為數字,并且類標簽是最后一個屬性(field5)。 ### 1.2。創建數據集 現在我們已經加載了原始數據的數據源,我們可以創建該數據源的數據集視圖。然后,我們將創建另外兩個數據集,一個稱為訓練,我們將用于訓練預測模型,另一個稱為測試,我們將用它來評估創建的預測模型,并將用作進行預測的基礎。 1. 點擊“_來源_”標簽中的“_鳶尾花數據源_”打開它,如果尚未打開的話。 2. 單擊云按鈕并選擇“_單擊數據集_”。 3. 這將從數據源創建新數據集。這是對數據源的視圖,可以對其進行修改以準備建模。 4. 單擊或懸停在小sigma上以查看給定屬性的摘要。 5. 單擊云按鈕并選擇“ _1單擊”訓練“|測試_“。 6. 單擊“_數據集_”選項卡,查看我們創建的3個數據集。 [![BigML Dataset](https://img.kancloud.cn/cb/08/cb0844fe70fece827ddd49b3f80dd7f6_270x300.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/04/bigml-dataset.png) BigML數據集 ## 2.創建和評估模型 在本節中,我們將根據我們準備的訓練數據集創建預測模型,并使用我們準備的測試數據集評估模型。 ### 2.1。創建預測模型 現在,您將從訓練數據集創建預測模型。 1. 點擊“_虹膜花數據源的數據集|訓練(80%)_“_數據集_”選項卡中的數據集。 2. 單擊云圖標,然后選擇“ _1-Click Model_ ”。 3. 將鼠標懸停在模型中的不同節點上,以通過決策樹查看數據流。 4. 單擊“ _Sunburst_ ”按鈕打開模型的旭日視圖并瀏覽決策樹。 5. 單擊“_模型摘要報告_”按鈕以查看從決策樹模型派生的規則的文本描述。 [![BigML Predictive Model](https://img.kancloud.cn/7e/e8/7ee813c5be36adb7939fb085e96d2737_265x300.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/04/bigml-predictive-model.png) BigML預測模型 ### 2.2。評估預測模型 現在,您將評估使用測試數據集創建的預測模型的預測準確性。 1. 單擊“ _Models_ ”選項卡中的虹膜花型。 2. 單擊云按鈕并選擇“_評估_” 3. 評估將自動選擇您之前創建的測試數據集,該數據集包含預測模型之前未見過的原始數據集的20%。 4. 單擊“_評估_”按鈕以評估模型。 5. 根據分類準確度,精確度,召回率,F分數和phi分數來總結模型的準確性。我們可以看到準確率為93.33%。 6. 單擊“_混淆矩陣_”以查看模型預測的混淆矩陣。 [![BigML Evaluate Predictive Model](https://img.kancloud.cn/52/26/5226af764160d7b52289ce0c972a641e_262x300.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/04/bigml-evaluate-predictive-model-confusion-matrix.png) BigML評估預測模型,顯示混淆矩陣 ## 3.做出預測 現在,您將使用模型之前未見過的數據的預測模型進行預測。 1. 單擊“ _Models_ ”選項卡中的虹膜花型。 2. 單擊云按鈕并選擇“_批量預測_”。 3. 單擊“_搜索數據集..._ ”下拉菜單并鍵入“ _iris_ ”。 4. 選擇“_鳶尾花數據源的數據集|測試20%_“數據集。 5. 單擊“_預測_”按鈕 6. 單擊“_下載批量預測_”文件,以獲取測試數據集中每行的預測。 [![BigML Download Model Predictions](https://img.kancloud.cn/67/20/672030cb8a5354f162720c7896fad4a4_253x300.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/04/bigml-download-predictions.png) BigML下載模型預測 ## 摘要 在本教程中,您學習了如何創建數據源,數據集,創建預測模型,評估它,最后使用準備好的預測模型對看不見的數據進行預測。 BigML是一個易于使用的平臺,您應該能夠在5-10分鐘內完成所有這些工作。 從這里開始,您可以做很多事情來擴展本教程: * 您可以使用不同的修剪方法創建新的決策樹,并將其評估與您已創建的決策樹進行比較,以查看它是否更準確。 * 您可以使用決策樹的集合來對問題進行建模,并通過將集合的評估與您已創建的決策樹的評估進行比較來查看是否可以提高分類準確性。 * 您可以編寫腳本或使用BigML命令行工具(稱為 [bigmle??r](http://bigmler.readthedocs.org/en/latest/) )在新數據可用時進行預測。 * 您可以使用 [BigML API](https://bigml.com/developers) 將遠程模型的使用集成到網頁中,并在新數據從其他來源提供時自動進行預測。 如果您對使用BigML的有趣教程有所了解,請發表評論。讓你的想象力瘋狂。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看