Machine Learning [Part 2]
- Berlen data feature’lar (x) we target value’lardan (y) ybarat bolýar. Meselem, öýleriň bahasyny hasaplaýan bir model düzjek bolsak, bize öň satylan öýleriň aýratynlyklary (feature) we bahalary (target value) gerek bolýar. Öýüň aýratynlyklary otag sany, ýerleşýän ýeri, internet mümkinçilikleri bolup biler. Berlen maglumatlara görä biziň düzen modelimiz diňe bir öňki maglumatlarda bar bolan däl, eýsem täze girizilen aýratynlyklar üçin hem öýleriň bahalaryny kesgitläp biler.
2) Düzjek modelimiziň takyklygyny artdyrmak üçin gereksiz maglumatlardan arassalamaly. Meselem, öýüň gapylarynyň reňki eger bahasyna täsir etmeýän bolsa, onda biz onda data’dan çykaryp bileris.
3) Biziň düzen modelimiziň takyklygyny barlamak üçin train (taýýarlyk) we test (barlag) diýip iki topara bölmeli. Bu köplenç 20% train, 80% test görnüşinde bolýar.
4) Train toparyndaky maglumatlary ulanyp iň gowy bolup biljek algoritimleri barlap görmeli. Supervised Learning üçin ulanylýan algoritimler esasan:
*k-Nearest Neighbors
*Linear Regression
*Logistic Regression
*Support Vector Machines (SVMs)
*Decision Trees and Random Forests
*Neural networks
5) Saýlan algoritimimizi test toparyndaky maglumatlar bilen hem barlap görenimizden soň, eger netijesi we takyklygy peselmeýän bolsa soňky tapgyra geçip bileris
6) Modelimiz taýýar bolandan soň, pickle ýa-da joblib ýaly gurallaryň üsti bilen modeli bellige alyp (save) ulanjak ýerimize geçirip bileris
