WEBVTT 00:01.160 --> 00:02.000 素晴らしい。 00:02.000 --> 00:11.180 この関数は、 4つの機能を使って機能辞書を作成します。 00:11.210 --> 00:20.180 例えば、 最初のトレーニングポイントについて、 フィーチャーを呼び出すことができる。 00:20.180 --> 00:24.980 そして返ってくるのは、 この小さな小さな辞書だ。 00:25.010 --> 00:28.100 どうやら2ポンドらしい。 2の重さである。 00:28.100 --> 00:30.380 これが平均的な順位だ。 00:30.410 --> 00:32.510 それが本文の長さだ。 00:32.510 --> 00:35.510 しかも、 エレクトロニクスのトップブランドではない。 00:35.510 --> 00:39.620 だから、 これらは私たちが設計したかなり貧弱な機能になる。 00:39.830 --> 00:42.980 あなたならもっとうまくやれる。 00:43.220 --> 00:43.970 分かった。 00:44.000 --> 00:47.660 さあ、 機械学習の時間だ。 00:47.660 --> 00:54.260 この小さなユーティリティ関数は、 アイテムのリストを受け取ってデータフレームに変換する。 00:54.290 --> 00:55.730 パンダのデータフレーム。 00:55.730 --> 01:00.710 これは伝統的な機械学習についてのコースではないので、 詳しく説明するつもりはない。 01:00.920 --> 01:05.990 DataFramesをご存じであれば、 これはよくご存じだと思うが、 これを使ってトレーニング・データフレームとテスト・データフレームを作り、 01:05.990 --> 01:11.690 テスト・データセットの上位250ポイントを選ぶ。 01:12.020 --> 01:13.250 そうだ。 01:13.280 --> 01:16.490 転換を果たし、 今はこれがビジネスだ。 01:16.490 --> 01:20.330 ここで伝統的な線形回帰を実行する。 01:20.750 --> 01:23.900 私たちは機能を設定した。 01:24.170 --> 01:28.880 ここで特徴量のカラム名を指定する。 01:28.910 --> 01:31.250 ここがすべてのアクションが起こる場所だ。 01:31.250 --> 01:35.840 Model equals linear regressionは、 線形回帰モデルが欲しいと言っている。 01:35.840 --> 01:45.050 そして、 そのモデルをx値、 つまり特徴量に当てはめ、 y値をトレーニングデータセットの実際の価格に当てはめる。 01:45.080 --> 01:50.540 そして、 ここがアクションが起こる場所であり、 モデルが実際にフィットする場所なのだ。 01:50.720 --> 01:57.980 そして、 特徴量とその係数、 あるいは重み付けを印刷する。 01:57.980 --> 02:02.870 そのため、 各機能がどれだけ重要であったかを知ることができる。 02:02.900 --> 02:09.380 そして、 実際にテスト・セットで予測を実行し、 MSE、 02:09.380 --> 02:14.810 平均二乗誤差、 r二乗などを求めます。 02:14.810 --> 02:19.940 しかし、 恐れることはない。 私たちが以前に構築したフレームワークを使って、 もちろんそれを見ることができるのだ。 02:19.970 --> 02:22.070 それが同じグラフに表示される。 02:22.070 --> 02:27.710 だから、 平均的なモデルと比較して、 これがどこに出てくると思うか、 推測してみてほしい。 02:27.710 --> 02:31.460 私たちが何を目指しているのかを思い出すために、 平均的なモデルを簡単に振り返ってみよう。 02:31.460 --> 02:37.310 つまり、 平均的な推測では145ドルの誤差がある。 02:37.310 --> 02:41.960 だから、 線形回帰が平均よりも良い結果を出してくれることを願っている。 02:41.960 --> 02:42.620 見てみよう。 02:42.650 --> 02:44.000 まずは実行してみよう。 02:45.470 --> 02:46.460 早いよ。 02:47.090 --> 02:53.030 つまり、 係数や重みを変えてみると、 重いものには小さな、 02:53.030 --> 02:58.100 プラスの重みがつくことがわかる。 02:58.130 --> 03:01.400 どのようにランク付けされるかは、 もっと大きなものだ。 03:01.400 --> 03:05.450 テキストの長さは非常に小さい。 03:05.480 --> 03:07.460 エレクトロニクスのトップブランドですか? 03:07.490 --> 03:08.690 大きな違いだ。 03:08.720 --> 03:11.210 エレクトロニクスのトップブランドは、 多くのものを手に入れる。 03:11.720 --> 03:23.060 さて、 それでは、 クールなテスト・ヴィジュアライザーで使用するために、 この関数を単純にラップします。 03:23.060 --> 03:26.530 これを線形回帰Pricerと呼ばれる関数で包む。 03:26.560 --> 03:32.710 そして、 私たちはそれをアイテムに使うだけだ。 03:32.710 --> 03:34.720 私たちはそのアイテムの機能を取得します。 03:34.720 --> 03:37.030 それをデータフレームに変換する。 03:37.030 --> 03:43.030 そして、 その結果を予測するために線形回帰モデルを呼び出す。 03:43.060 --> 03:45.220 どうなるか見てみよう。 03:45.490 --> 03:47.560 テスターのドットテスト。 03:49.000 --> 03:51.400 線形回帰 プライサー 03:53.380 --> 03:54.550 準備はできているか? 03:54.580 --> 03:55.990 平均的な数字が何だったか覚えている? 03:55.990 --> 03:56.860 さあ、 始めよう。 03:57.010 --> 04:00.970 あ、 あの、 前の独房でやってください。 04:01.480 --> 04:04.270 ええと、 もう何度目だろう? 04:05.650 --> 04:06.340 バム! 04:06.340 --> 04:08.680 まあ、 色は見える。 04:08.680 --> 04:13.210 赤が多いが、 以前より緑が増えたかもしれない。 04:13.240 --> 04:15.190 たぶん、 ひどい結果にはなっていない。 04:15.190 --> 04:17.050 いくつかのことはうまくいっている。 04:17.470 --> 04:18.490 見てみよう。 04:18.520 --> 04:20.500 まあ、 そういうことだ。 04:20.530 --> 04:23.860 平均より少し良くなった程度だ。 04:23.860 --> 04:25.480 少し良くなっただけだ。 04:25.480 --> 04:32.740 そして、 その結果を見てみると、 基本的にはわずかな上昇が見られるが、 04:32.740 --> 04:40.250 平均的なポイントに集中しており、 200ドルほど高いポイントもある。 04:40.250 --> 04:41.600 そして何だと思う? 04:41.600 --> 04:47.900 これらのブランドは、 エレクトロニクス・ブランドであり、 トップ・エレクトロニクス・ブランドである。 04:48.170 --> 04:53.300 それで、 この1点に関しては、 少し上昇した。 04:53.300 --> 04:57.950 でも、 それ以外は......モデルとしては特にうまくいかなかった。 04:58.160 --> 05:00.680 ベストを尽くした。 05:00.710 --> 05:06.890 139エラーが出たんだ。 05:06.890 --> 05:09.170 そして、 ヒットした。 05:09.200 --> 05:13.040 ほぼ16%の確率でグリーンだった。 05:13.340 --> 05:15.410 これが線形回帰モデルだ。 05:15.410 --> 05:16.580 もっとうまくやれるはずだ。 05:16.610 --> 05:17.300 どうぞお入りください。 05:17.330 --> 05:18.920 では、 いくつかの機能を設計してみよう。 05:18.920 --> 05:20.810 今に始まったことではないのは分かっている。 05:20.930 --> 05:22.100 ああ、 素晴らしい。 05:22.250 --> 05:28.730 LMのデータ・サイエンスは、 基礎的な知識を築き、 昔ながらのフィーチャー・エンジニアリングを行うのに適している。 05:28.730 --> 05:33.710 それに、 LMSと一緒に仕事を始めて、 その成果を見ることができれば、 もっと満足できるだろう。 05:33.710 --> 05:37.250 だから、 そこに来て、 いくつかの機能を作って、 どうやるか見てみよう。 05:37.250 --> 05:42.890 でも次回は、 もう少し洗練されたベースラインモデルを見てみよう。 05:42.890 --> 05:43.820 それではまた。