Asas Model Pengklasifikasian untuk Ramalan Analitik - dummies

Setelah anda mempunyai semua alat dan data yang diperlukan untuk mula membuat model ramalan, keseronokan bermula. Secara umum, mewujudkan model pembelajaran untuk tugas pengelasan akan melibatkan langkah-langkah berikut:

1. Memuatkan data.

2. Pilih pengelas.

3. Melatih model.

4. Bayangkan model.

5. Uji model.

6. Menilai model.

Baik model regresi logistik dan model klasifikasi Mesin Vektor (SVM) berfungsi dengan baik menggunakan dataset Iris.

Sepal Panjang	Sepal Lebar	Panjang Petal	Lebar Petal	Kelas Sasaran / Label
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)

Menariknya, model regresi logistik dengan C = 150 mempunyai plot permukaan keputusan yang lebih baik daripada yang mempunyai C = 1, tetapi ia tidak berfungsi dengan lebih baik. Ini bukan masalah besar, memandangkan ujian itu sangat kecil. Jika perpecahan rawak lain antara set latihan dan set ujian telah dipilih, hasilnya mungkin berbeza.

Ini menunjukkan sumber kompleksiti lain yang menanam dalam penilaian model: kesan sampling, dan bagaimana memilih latihan dan ujian boleh mempengaruhi output model. Teknik cross-validation dapat membantu meminimumkan kesan persampelan rawak terhadap prestasi model.

Untuk dataset yang lebih besar dengan data yang tidak boleh dipisah secara linear, anda akan menjangkakan keputusannya akan menyimpang lebih banyak lagi. Di samping itu, memilih model yang sesuai menjadi semakin sukar kerana kerumitan dan ukuran data. Bersedia untuk meluangkan banyak masa untuk menilai parameter anda untuk mendapatkan kesesuaian yang sesuai.

Apabila mencipta model ramalan, cuba beberapa algoritma dan melengkapkan parameter mereka secara mendalam sehingga anda mendapati apa yang paling sesuai untuk data anda. Kemudian bandingkan output mereka terhadap satu sama lain.