Supervised ve unsupervised

Supervised learning, etiketli veriyle model eğitir; her örneğe doğru çıktı (label) eşlik eder.

Denetimli öğrenme

Denetimli (supervised) öğrenmede her örneğin doğru cevabı (etiket) bellidir. Model, girdiden etikete giden eşlemeyi öğrenir.

Etiket sayıysa regresyon: fiyat, sıcaklık.
Etiket sınıfsa sınıflandırma: spam/normal, kedi/köpek.

X = [[1], [2], [3], [4]]   # girdiler
y = [0, 0, 1, 1]           # etiketler (sınıflar)
from sklearn.neighbors import KNeighborsClassifier
KNeighborsClassifier(n_neighbors=1).fit(X, y)

Denetimsiz öğrenme

Denetimsiz (unsupervised) öğrenmede etiket yoktur; algoritma verinin kendi yapısını bulur.

Kümeleme: benzer müşterileri gruplar (KMeans).
Boyut indirgeme: çok sütunlu veriyi az sütunla özetler (PCA).

from sklearn.cluster import KMeans
X = [[1, 1], [1, 2], [9, 9], [9, 8]]
KMeans(n_clusters=2, n_init=10).fit(X)   # y verilmez

Fark fit çağrısında da görünür: denetimsiz modellere yalnızca X verilir.

Uygulama Sınıflandırıcı eğit

KNeighborsClassifier(n_neighbors=1) modelini X ve y ile eğit, [[3.5]] girdisinin sınıfını yazdır.

Örnek çözümü göster

from sklearn.neighbors import KNeighborsClassifier

X = [[1], [2], [3], [4]]
y = [0, 0, 1, 1]

model = KNeighborsClassifier(n_neighbors=1)
model.fit(X, y)
print(model.predict([[3.5]])[0])

Kendini test et

Ev fiyatını metrekareden tahmin etmek hangi tür problemdir?
- Boyut indirgeme
- Denetimli regresyon
- Denetimli sınıflandırma
- Kümeleme
Cevabı göster

Denetimli regresyon — Etiket (fiyat) bellidir ve sürekli bir sayıdır; bu yüzden denetimli regresyondur.

Denetimsiz modeli yalnızca girdilerle eğit.

km = KMeans(n_clusters=2, n_init=10)
km.fit(____)

Cevabı göster

km = KMeans(n_clusters=2, n_init=10)
km.fit(X)

Problemleri türleriyle eşleştir.

Spam tespiti

Sınıflandırma
Sıcaklık tahmini

Regresyon
Müşteri gruplama

Kümeleme
Sütun sayısını azaltma

Boyut indirgeme

Sıradaki ders: Veri ve model

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler