Új lapon nyílik meg

12. lecke

Az első gépi tanulási modell (scikit-learn)

7 rész11 kódpélda1 ábra
Miről szól ez a lecke?

Ez az első lecke, amelyben valódi, adatokból tanuló modellt építesz. Használt autók futásteljesítményéből és árából a scikit-learn könyvtár lineáris regressziós modellje megtanulja az összefüggést, és új autóra árat becsül. Végigmész a teljes folyamaton: az adatok előkészítése, a bemenet és a cél szétválasztása, tanítás, előrejelzés, a tanult paraméterek értelmezése és a modell értékelése.

Amit ebben a leckében megtanulsz
  • A probléma, amit megoldunk
  • Adatok előkészítése
  • Bemenet (X) és cél (y) szétválasztása
  • A modell létrehozása és betanítása
  • Előrejelzés új adatra
  • A modell "tanult paraméterei"
  • Mennyire jó a modell? — score()
Tudnivalók
  • Olvasási idő: kb. 5 perc (a kódok kipróbálásával több)
  • 7 rész · 11 kódpélda
  • Előfeltétel: pip install scikit-learn
  • A végén gyakorló feladatok ellenőrzik a tudásodat

Előfeltétel: pip install scikit-learn

Mi ez valójában? A "gépi tanulás" lényege nagyon egyszerű elven alapul: adunk a modellnek sok példát (bemenet + a helyes válasz), a modell megkeresi a mintázatot közöttük, majd új, korábban nem látott bemenetre is meg tudja becsülni a választ. Ez pont úgy működik, mint amikor egy tapasztalt szakács ránézésre megmondja, meddig sül egy adott méretű hús — a tapasztalat (a sok korábbi "példa") alapján. A gép ugyanezt csinálja, csak matematikai számítással, nem megérzéssel.

SzéljegyzetCsak egyetlen bemenő adat (feature) elég a valóságban?

A valóságban egy modell szinte sosem csak egyetlen bemenő adatból (itt: km_futott) tanul — általában sok jellemzőt használnak egyszerre (pl. évjárat, márka, állapot), hogy pontosabb legyen a becslés. Ez ugyanígy működik a scikit-learn-ben is: elég, ha X-ben több oszlopot adsz meg, a LinearRegression kódja szinte változatlan marad.

PYTHON● ● ●
import pandas as pd
from sklearn.linear_model import LinearRegression
Pontok és a rájuk illesztett egyenes
Az első gépi tanulási modell egy egyenest illeszt az adatpontokra úgy, hogy az a lehető legközelebb haladjon mindegyikhez — így tud jósolni új bemenetre.

1. A probléma, amit megoldunk

Képzeljük el, hogy van adatunk használt autókról: hány kilométert futottak, és mennyiért kelnek el. A célunk: egy modell, ami új autó km-adatából megbecsüli az árat.

2. Adatok előkészítése

Ez lesz a "tanító adat" — ebből tanul a modell.

PYTHON● ● ●
adatok = pd.DataFrame({
    "km_futott": [10000, 30000, 60000, 90000, 120000, 150000],
    "ar_ezer_ft": [8500, 7200, 5800, 4500, 3200, 2100]
})
PYTHON● ● ●
print(adatok)
Széljegyzet

Minél több és minél jobb minőségű adatunk van, a modell annál pontosabb lesz. Itt most csak 6 sorral dolgozunk (hogy érthető legyen), de egy valós modellhez inkább több száz/ezer adatpont kellene.

3. Bemenet (X) és cél (y) szétválasztása

A gépi tanulásban megkülönböztetjük: X = a bemenet (amiből tippelünk) -> itt: km_futott y = a cél, amit meg akarunk jósolni -> itt: ár

Ez a jelölés (nagy X, kis y) egy elterjedt konvenció, szinte minden gépi tanulási kódban ezt látod majd.

PYTHON● ● ●
X = adatok[["km_futott"]]   # dupla zárójel: ez egy táblázat kell legyen
y = adatok["ar_ezer_ft"]    # ez lehet egy oszlop (sorozat)

4. A modell létrehozása és betanítása

A LinearRegression egy egyszerű modell, ami egy egyenes vonalat próbál illeszteni az adatokra (minél több km, annál alacsonyabb ár — ezt a mintázatot keresi meg).

PYTHON● ● ●
model = LinearRegression()
model.fit(X, y)   # ez a "tanítás" — a modell megkeresi a mintázatot
PYTHON● ● ●
print("A modell betanítva!")

5. Előrejelzés új adatra

Most jön a lényeg: adjunk a modellnek egy olyan km-adatot, amit még sosem látott, és nézzük meg, mit jósol.

PYTHON● ● ●
uj_auto = pd.DataFrame({"km_futott": [45000]})
joslat = model.predict(uj_auto)
PYTHON● ● ●
print("A becsült ár 45000 km-nél:", joslat[0], "ezer Ft")

Próbáljunk ki többet egyszerre:

PYTHON● ● ●
tobb_auto = pd.DataFrame({"km_futott": [20000, 75000, 200000]})
joslatok = model.predict(tobb_auto)
print("Becsült árak:", joslatok)

6. A modell "tanult paraméterei"

A LinearRegression egy egyenes vonalat illeszt: ár = meredekség * km + kezdőpont ezeket az értékeket a modell magától találta ki a tanítás során!

PYTHON● ● ●
print("Meredekség (coef_):", model.coef_[0])
print("Kezdőpont (intercept_):", model.intercept_)

Mit tanult meg valójában a modell? A "meredekség" és a "kezdőpont" a modell tanult tudása — ez az, amit a .fit() hívás során a gép kiszámolt magának az adatokból. Amikor majd PyTorch-csal neurális hálót építünk, ott ezekből lesz több millió, de az alapelv ugyanez: a modell számokat (paramétereket) tanul meg, amikkel jól tudja megbecsülni a választ.

SzéljegyzetElég megbízható egy 6 adatpontos modell?

A gyakorlatban 6 adatpont túl kevés ahhoz, hogy igazán megbízzunk a modellben — egyetlen szokatlan (kiugró) adat komolyan eltorzíthatja a tanult egyenest. Valós projekteknél ezért legalább több tucat, inkább több száz-ezer példa kell ahhoz, hogy a modell stabil mintázatot találjon, ne csak a véletlen zajt kövesse.

7. Mennyire jó a modell? — score()

A score() megmondja, mennyire illeszkedik jól a modell a tanító adatokra. A legjobb elérhető érték 1 (tökéletes illeszkedés); rossz illeszkedésnél akár negatív is lehet, tehát nem szigorúan 0 és 1 közé esik.

PYTHON● ● ●
pontossag = model.score(X, y)
print("A modell pontossága:", pontossag)
Próbáld kiMi történik, ha a modellt a tanító adatokon kívül kérdezed?

A betanított modell egyenese kb. ár ≈ 8676 − 0,0451 × km (ezer forintban). Kérdezd meg a modellt egy 200 000 km-es és egy 300 000 km-es autóról: model.predict(pd.DataFrame({"km_futott": [200000, 300000]})).

Az eredmény kb. −348 és −4859 ezer forint — vagyis negatív ár, ami nyilvánvaló képtelenség. A modell csak 10 000 és 150 000 km közötti autókat látott; ezen a tartományon kívül vakon folytatja az egyenest. Ezt hívják extrapolációnak, és a 12b. lecke részletesen megmutatja, miért veszélyes, és hogyan lehet ellene védekezni.

Gyakorlás
  1. Bővítsd az adatokat 3 új autóval (találj ki km/ár párokat), majd tanítsd újra a modellt.
  2. Jósold meg egy 100000 km-es autó árát.
  3. Nézd meg a model.score() értékét — nőtt vagy csökkent az új adatokkal? Miért gondolod, hogy ez történt?

Források és további olvasnivaló

A lecke témájának hivatalos dokumentációi és alapvető cikkei:
• scikit-learn — lineáris modellek — scikit-learn.org