More Related Content More from Jamie (Taka) Wang More from Jamie (Taka) Wang (20) 62. More data beats clever algorithms
but better data beats more data
Peter Norvig,
Director of research at Google Inc.
72. IBM Watson
• 90台 Server
• 2880顆 CPU
• 灌入2億
頁
的內容
• 600萬條規則
• 3秒內回答問題
Source:
人
工
智慧新
革
命--超級電腦「華
生
」
124. Decision Tree (決策樹)
天氣 溫度 濕度 有風 打球嗎
1 晴天 85 85 沒有 不打
2 晴天 80 90 有 不打
3 陰天 83 78 沒有 打
4 雨天 70 96 沒有 打
5 雨天 68 80 沒有 打
6 雨天 65 70 有 不打
7 陰天 64 65 有 打
8 晴天 72 95 沒有 不打
9 晴天 69 70 沒有 打
10 雨天 75 80 沒有 打
11 晴天 75 70 有 打
12 陰天 72 90 有 打
13 陰天 81 75 沒有 打
14 雨天 71 80 有 不打
Source: Wiki
高
爾夫球場，
人
員管理問題
125. Decision Tree (決策樹)
天氣 溫度 濕度 有風 打球嗎
1 晴天 85 85 沒有 不打
2 晴天 80 90 有 不打
3 陰天 83 78 沒有 打
4 雨天 70 96 沒有 打
5 雨天 68 80 沒有 打
6 雨天 65 70 有 不打
7 陰天 64 65 有 打
8 晴天 72 95 沒有 不打
9 晴天 69 70 沒有 打
10 雨天 75 80 沒有 打
11 晴天 75 70 有 打
12 陰天 72 90 有 打
13 陰天 81 75 沒有 打
14 雨天 71 80 有 不打
天氣
(9/5)
濕度
(2/3)
有風
打球
(4/0)
陰天 雨天
晴天
打球
(3/0)
不打
(0/2)
打球
(2/0)
不打
(0/3)
<=70 >70 有 沒有
Source: Wiki
高
爾夫球場，
人
員管理問題
126. # imports
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
# prepare dataset
iris = load_iris()
X = iris.data
Y = iris.target
# split
seed = 7
test_size = 0.33
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
# training
model = DecisionTreeClassifier(max_depth=2)
model.fit(X_train, y_train)
# prediction
y_pred = model.predict(X_test)
predictions = [round(value) for value in y_pred]
# evaluation
accuracy = accuracy_score(y_test, predictions)
print("Accuracy: %.2f%%" % (accuracy * 100.0))
132. Random Forest (隨機森林)
天氣 溫度 濕度 有風 打球嗎
1 晴天 85 85 沒有 不打
2 晴天 80 90 有 不打
3 陰天 83 78 沒有 打
4 雨天 70 96 沒有 打
5 雨天 68 80 沒有 打
6 雨天 65 70 有 不打
7 陰天 64 65 有 打
8 晴天 72 95 沒有 不打
9 晴天 69 70 沒有 打
10 雨天 75 80 沒有 打
11 晴天 75 70 有 打
12 陰天 72 90 有 打
13 陰天 81 75 沒有 打
14 雨天 71 80 有 不打
133. Random Forest (隨機森林)
天氣 溫度 濕度 有風 打球嗎
1 晴天 85 85 沒有 不打
2 晴天 80 90 有 不打
3 陰天 83 78 沒有 打
4 雨天 70 96 沒有 打
5 雨天 68 80 沒有 打
6 雨天 65 70 有 不打
7 陰天 64 65 有 打
8 晴天 72 95 沒有 不打
9 晴天 69 70 沒有 打
10 雨天 75 80 沒有 打
11 晴天 75 70 有 打
12 陰天 72 90 有 打
13 陰天 81 75 沒有 打
14 雨天 71 80 有 不打
天氣 溫度 溫度 濕度 濕度 有風 溫度 有風
部分特徵
134. Random Forest (隨機森林)
天氣 溫度 濕度 有風 打球嗎
1 晴天 85 85 沒有 不打
2 晴天 80 90 有 不打
3 陰天 83 78 沒有 打
4 雨天 70 96 沒有 打
5 雨天 68 80 沒有 打
6 雨天 65 70 有 不打
7 陰天 64 65 有 打
8 晴天 72 95 沒有 不打
9 晴天 69 70 沒有 打
10 雨天 75 80 沒有 打
11 晴天 75 70 有 打
12 陰天 72 90 有 打
13 陰天 81 75 沒有 打
14 雨天 71 80 有 不打
天氣 溫度 溫度 濕度 濕度 有風 溫度 有風
部分特徵
一
堆專家
135. Random Forest (隨機森林)
天氣 溫度 濕度 有風 打球嗎
1 晴天 85 85 沒有 不打
2 晴天 80 90 有 不打
3 陰天 83 78 沒有 打
4 雨天 70 96 沒有 打
5 雨天 68 80 沒有 打
6 雨天 65 70 有 不打
7 陰天 64 65 有 打
8 晴天 72 95 沒有 不打
9 晴天 69 70 沒有 打
10 雨天 75 80 沒有 打
11 晴天 75 70 有 打
12 陰天 72 90 有 打
13 陰天 81 75 沒有 打
14 雨天 71 80 有 不打
天氣 溫度 溫度 濕度 濕度 有風 溫度 有風
部分特徵
一
堆專家
多數決
146. # imports
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
# prepare dataset
iris = load_iris()
X = iris.data
Y = iris.target
# split
seed = 7
test_size = 0.33
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
# training
model = DecisionTreeClassifier(max_depth=2)
model.fit(X_train, y_train)
# prediction
y_pred = model.predict(X_test)
predictions = [round(value) for value in y_pred]
# evaluation
accuracy = accuracy_score(y_test, predictions)
print("Accuracy: %.2f%%" % (accuracy * 100.0))
147. # imports
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
# prepare dataset
iris = load_iris()
X = iris.data
Y = iris.target
# split
seed = 7
test_size = 0.33
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
# training
model = DecisionTreeClassifier(max_depth=2)
model.fit(X_train, y_train)
# prediction
y_pred = model.predict(X_test)
predictions = [round(value) for value in y_pred]
# evaluation
accuracy = accuracy_score(y_test, predictions)
print("Accuracy: %.2f%%" % (accuracy * 100.0))
model = XGBClassifier()
from xgboost import XGBClassifier
