สมัครเรียนโทร. 085-350-7540 , 084-88-00-255 , ntprintf@gmail.com

Tutorial Python Machine Learning

LM17PYTHON MACHINE LEARNING LM18PYTHON MACHINE LEARNING MEAN MEDIAN MODE LM19PYTHON MACHINE LEARNING STANDARD DEVIATION LM20PYTHON MACHINE LEARNING PERCENTILES LM21PYTHON MACHINE LEARNING DATA DISTRIBUTION LM22PYTHON MACHINE LEARNING NORMAL DATA DISTRIBUTION LM23PYTHON MACHINE LEARNING SCATTER PLOT LM24PYTHON MACHINE LEARNING LINEAR REGRESSION LM25PYTHON MACHINE LEARNING MULTIPLE REGRESSION LM25PYTHON MACHINE LEARNING POLYNOMIAL REGRESSION LM26PYTHON MACHINE LEARNING SCALE LM27PYTHON MACHINE LEARNING TRAIN TEST LM28PYTHON MACHINE LEARNING DECISION TREE

Machine Learning - Data Distribution

เรียนเขียนโปรเเกรมง่ายๆกับ Expert Programming Tutor ในบท Macchine Learnning - Data Distribution 
การแจกแจงข้อมูล
ก่อนหน้านี้ในบทTutorial เราได้ทำงานกับข้อมูลจำนวนน้อยมากในตัวอย่างของเราเพียงเพื่อทำความเข้าใจแนวคิดที่แตกต่าง
ในโลกแห่งความเป็นจริงชุดข้อมูลมีขนาดใหญ่กว่ามาก แต่อาจเป็นเรื่องยากที่จะรวบรวมข้อมูลโลกแห่งความจริงอย่างน้อยในช่วงเริ่มต้นของโปรเจ็ค
เราจะรับชุดค่าข้อมูลขนาดใหญ่ได้อย่างไร
 การสร้างชุดข้อมูลขนาดใหญ่สำหรับการทดสอบเราใช้โมดูล Python NumPy ซึ่งมาพร้อมกับวิธีการมากมายในการสร้างชุดข้อมูลแบบสุ่มทุกขนาด
ตัวอย่าง
สร้างอาร์เรย์ที่มี 250 สุ่มเดาระหว่าง 0 และ 5

import numpy
x = numpy.random.uniform(0.0, 5.0, 250)
print(x)

ผลลัพธ์

[0.17946572 2.32219161 0.18934418 1.82162521 1.59162147 0.54635267 
 2.44499023 2.34568246 0.57350099 4.55370988 1.06062319 1.27923664 
 0.385706   0.87962984 0.68588784 4.4162117  0.24180221 0.2093519 
 2.95518983 4.58848847 0.97791905 0.02621364 2.63128696 3.50801208 
 4.5377773  1.32584789 2.92509257 1.30882817 2.96282421 4.82504129 
 4.82823323 0.14981561 1.71283778 1.46287599 2.04795432 4.86712256 
 2.57991716 2.02938383 1.40714847 3.08935754 4.88406483 3.90742459 
 3.66097583 3.71369692 2.93289684 4.83191128 2.77667798 4.93069696 
 1.62304667 0.87760554 2.70527059 1.44847975 1.09857957 4.59412576 
 1.95394356 2.00140027 4.94018383 2.03265004 0.35025816 4.20108624 
 4.66743431 0.11120526 3.35859297 2.03318906 1.29014243 1.9655744 
 1.40202471 2.7598193  2.69650886 3.13747564 1.7780115  0.33804047 
 4.95974949 1.28741501 3.24814622 3.04697963 1.01406724 2.48639059 
 2.49032162 0.0823857  0.62740879 0.99449206 1.39554869 3.87099639 
 2.37139558 0.23952776 1.00843479 4.55360346 4.94720853 0.84871001 
 1.6398664  0.97468032 0.90700492 1.17272503 4.27084102 1.38948562 
 2.34181502 4.75568963 3.52776339 1.93441554 4.87709235 3.74530643 
 3.9975462  2.82720806 3.74524148 0.01975848 4.33253149 3.54387409 
 4.48281077 4.28892963 4.94326465 3.26352283 0.34243638 3.01846409 
 1.7587625  0.24776364 4.47579695 3.4040576  2.7463264  0.18288662 
 3.74013185 4.84744046 0.2339886  4.95259157 0.83779691 2.6556716 
 1.47302649 0.01861863 0.61084778 4.19358525 2.73145098 3.29335442 
 1.4507033  4.09868195 3.01892235 4.75958955 2.94028417 2.83680078 
 0.95605695 4.28062833 0.0388657  2.55384113 3.27518035 0.09401306 
 3.49635162 3.4425639  2.49294885 3.84333305 2.98660606 0.04491348 
 3.56437768 3.92588322 2.57606741 3.82999141 0.17751132 3.49126215 
 2.34229898 1.65846507 1.31955771 2.55094569 3.80440622 4.2313968 
 2.15136105 3.81496107 1.00921623 0.0498501  4.01822449 2.38020749 
 3.92743216 3.40007576 0.17719759 1.80779101 3.70382939 0.51672768 
 2.57786934 1.01109495 0.21992335 2.68410475 4.94191733 4.99364591 
 0.26092025 1.20219249 2.01377648 3.6080657  2.47450976 4.26451446 
 4.58835036 3.78577692 1.14126629 3.89625688 1.22922731 0.42438031 
 2.2622816  1.4510637  4.37661456 1.10899445 4.28833687 3.94039913 
 0.59618106 2.91973711 1.6511646  1.91974711 0.5274802  4.29063391 
 2.04030104 1.00498261 4.2899824  2.20825705 1.89396499 3.69340518 
 3.62867045 2.20934233 1.81181686 1.73302459 2.16947781 1.68942217 
 1.00544988 0.5599015  4.78472944 1.49927966 2.27891342 0.97507184 
 2.36096282 0.25083606 3.68638314 0.21005797 0.26854432 0.49555296 
 2.3667063  0.93851272 2.20363126 4.16682109 3.34394461 3.08082574 
 4.09514521 3.01205365 1.40616774 3.33079878 0.47628818 2.34098687 
 1.39445805 2.15242036 3.67514924 3.8718004  1.8595215  3.82621163 
 4.49271774 3.41728958 3.9089966  2.8857063 ]

histogram
เพื่อให้เห็นภาพชุดข้อมูลเราสามารถวาดฮิสโตแกรมด้วยข้อมูลที่เรารวบรวมเราจะใช้โมดูล Python Matplotlib เพื่อวาดฮิสโตแกรม
ตัวอย่าง
วาดฮิสโตแกรม

import numpy
import matplotlib.pyplot as plt
x = numpy.random.uniform(0.0, 5.0, 250)
plt.hist(x, 5)
plt.show()

ผลลัพธ์

ฮิสโทแกรมเเบบอธิบาย
เราใช้อาร์เรย์จากตัวอย่างด้านบนเพื่อวาดฮิสโตแกรมที่มี 5 บาร์
- แถบแรกแสดงจำนวนค่าในอาร์เรย์อยู่ระหว่าง 0 ถึง 1
- แถบที่สองแสดงจำนวนค่าระหว่าง 1 ถึง 2 เป็นต้น
ซึ่งให้ผลลัพธ์นี้กับเรา
52 ค่าอยู่ระหว่าง 0 ถึง 1
48 ค่าอยู่ระหว่าง 1 ถึง 2
49 ค่าอยู่ระหว่าง 2 ถึง 3
51 ค่าอยู่ระหว่าง 3 ถึง 4
50 ค่าอยู่ระหว่าง 4 ถึง 5
หมายเหตุ: ค่าอาร์เรย์เป็นตัวเลขสุ่มและจะไม่แสดงผลลัพธ์ที่เหมือนกันในคอมพิวเตอร์ของนักเรียน
การแจกเเจงข้อมูลขนาดใหญ่
    อาร์เรย์ที่มีค่า 250 ค่าไม่ถือว่าใหญ่มาก แต่ตอนนี้นักเรียนรู้วิธีสร้างชุดค่าแบบสุ่มและด้วยการเปลี่ยนพารามิเตอร์นักเรียนสามารถสร้างชุดข้อมูลที่มีขนาดใหญ่เท่าที่นักเรียนต้องการ
ตัวอย่าง
สร้างอาร์เรย์ที่มีตัวเลขสุ่ม 100000 รายการและแสดงโดยใช้ฮิสโตแกรมที่มี 100 บาร์

import numpy
import matplotlib.pyplot as plt
x = numpy.random.uniform(0.0, 5.0, 100000)
plt.hist(x, 100)
plt.show()

ผลลัพธ์


แปลจากhttps://www.w3schools.com/python/python_ml_data_distribution.asp



บทความนี้อาจจะมีที่ผิด กรุณาตรวจสอบก่อนใช้

หากมีข้อผิดพลาด/ต้องการพูดคุยเพิ่มเติมเกี่ยวกับบทความนี้ กรุณาแจ้งที่ http://m.me/Expert.Programming.Tutor

ไม่อยากอ่าน Tutorial อยากมาเรียนเลยทำอย่างไร?

สมัครเรียน ONLINE ได้ทันทีที่ https://elearn.expert-programming-tutor.com

หรือติดต่อ

085-350-7540 (DTAC)
084-88-00-255 (AIS)
026-111-618
หรือทาง EMAIL: NTPRINTF@GMAIL.COM

แผนที่ ที่ตั้งของอาคารของเรา

C Article


C++ Article


Java Article


C#.NET Article


VB.NET Article


Python Article


Golang Article


JavaScript Article


Perl Article


Lua Article


Rust Article


Article