对机器学习模型进行测试

拆分数据以进行训练和测试

对数据进行预处理后，下一步是将数据拆分为多个部分，用于创建和训练模型，以及测试和评估生成的模型。在训练和测试之间应该分配多少百分比的数据背后有几种理论。在本教程中，我们将 98% 的数据用于训练，将 2% 的数据用于测试。

准备分类模型

有几种分类模型很受欢迎，并且已被证明具有很高的准确性。在本教程中，我们通过初始化 Sklearn 提供的库来应用随机森林分类器。作为此学习路径的一部分，我们在使用 Python 和 scikit-learn 学习分类算法中对各种分类模型进行了详细描述和比较。现在，我们将跳过随机森林如何工作的细节，并继续创建我们的第一个机器学习模型。

使用流水线组装步骤

在此学习路径中，我们使用管道。管道是在机器学习流中设计数据处理的便捷方法。使用 Python 和 scikit-learn 学习分类算法中详细介绍了使用管道背后的想法。下面的代码示例演示如何使用 sklearn 设置管道。

训练模型

创建模型的最后一步称为建模，您基本上可以在其中训练机器学习算法。在拆分数据步骤中拆分的 98% 的数据用于训练在上一步中初始化的模型。

对模型运行预测

模型训练完成后，即可进行一些分析。在此步骤中，为测试模型而保留的 2% 的数据用于运行预测。数据被蒙住眼睛，没有任何输出，并按下图所示传递。收集预测的输出以根据实际结果进行评估，这就是我们下一步要做的事情。

评估和可视化模型性能

将上一步获得的预测结果与实际结果进行比较。生成多个评估指标来计算模型的性能。

总结

在评估提供令人满意的分数之前，您将通过调整所谓的超参数来通过评估步骤重复数据预处理。

   在线教程

• 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
• 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
• EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
• 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
• 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
• 机器学习 – 有指导和无指导情况下的基本机器学习算法
• 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
• 斯坦福统计学习

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​

人工智能书籍

• OpenCV（中文版）.(布拉德斯基等)
• OpenCV+3计算机视觉++Python语言实现+第二版
• OpenCV3编程入门 毛星云编著
• 数字图像处理_第三版
• 人工智能:一种现代的方法
• 深度学习面试宝典
• 深度学习之PyTorch物体检测实战
• 吴恩达DeepLearning.ai中文版笔记
• 计算机视觉中的多视图几何
• PyTorch-官方推荐教程-英文版
• 《神经网络与深度学习》(邱锡鹏-20191121)
• …
  

第一阶段：零基础入门（3-6个月）

新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

第二阶段：基础进阶（3-6个月）

熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

第三阶段：工作应用

这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

 有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​