Creación de un modelo de aprendizaje automático simple

from aleatorio importar randint

# límite dentro del cual se generan números aleatorios

TRAIN_SET_LIMIT = 1000

# crear exactamente 100 elementos de datos

TREN_SET_COUNT = 100

# una lista que contiene la entrada y la salida correspondiente

TREN_INPUT = lista ()

TRAIN_OUTPUT = lista ()


# bucle para crear 100 elementos de datos con tres columnas cada uno

para i en rango (TRAIN_SET_COUNT):

a = randint ( 0 , TRA IN_SET_LIMIT)

b < clase de código = "palabra clave"> = randint ( 0 , TRAIN_SET_LIMIT)

c = randint ( 0 , TRAIN_SET_LIMIT)

# generar salida para cada artículo

op = a < /código> + ( 2 * b) + ( 3 * c)

TREN_INPUT.append ([a, b, c])

# agregar cada salida a la lista de salidas

TRAIN_OUTPUT.append (op)

Modelo de aprendizaje automático — regresión lineal

El modelo se puede crear en dos etapas:
1. Entrenamiento del modelo con datos de entrenamiento
2. Probar modelos con datos de prueba

Entrenar el modelo
Los datos que se generaron con el código anterior se usan para entrenar el modelo

# Sk-Learn contiene un modelo de regresión lineal

de sklearn .linear_model import LinearRegression

# Inicializar modelo de regresión lineal

predictor = LinearRegression (n_jobs = - 1 )

# Rellenar el modelo con datos

predictor.fit (X = TRAIN_INPUT, y < /código> = SALIDA_TREN)

Prueba de datos
La prueba se realiza manualmente. Las pruebas se pueden hacer usando algunos datos aleatorios y si el modelo da el resultado correcto para la entrada.

# Datos de prueba aleatorios
X_TEST = [[10, 20, 30]]

# Predecir el resultado de X_TEST que contiene datos de prueba
result = predictor.predict (X = X_TEST)

# Predecir los coeficientes
coeficientes = predictor.coef_

# Imprimir el resultado obtenido para los datos de prueba

print ( `Resultado: {} Coeficientes: {}` .formato (resultado, coeficientes))

El resultado de los datos de prueba anteriores debe sea 10 + 20 * 2 + 30 * 3 = 140.
Salir

Resultado: [140.] Coeficientes: [ 1. 2. 3.]