You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
 
 

271 lines
8.0 KiB

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。