آموزش مدل یادگیری ماشینی فقط با استفاده از JSON

منتشر‌شده در towardsdatascience به تاریخ ۵ آگوست ۲۰۲۱
لینک منبع Training ML Model Using Just JSON

مدل‌سازی یادگیری ماشینی کار دشواری است زیرا ابتدا باید داده‌ها را آماده کنیم، مهندسی ویژگی را انجام دهیم، آن را برای مدل‌سازی آماده کنیم و سپس مدل‌های مختلف یادگیری ماشین را ایجاد کنیم تا بهترین مدل اجرایی را بیابیم. اما چه می‌شود اگر به شما بگویم که می‌توانید همه اینها را در چند خط کد با استفاده از فایل Json انجام دهید؟ بله شما آن را درست خواندید.

ما فقط باید یک فایل Json ایجاد کنیم که در آن متغیر هدف و لیستی از مدل‌هایی که شما برای اجرای داده‌های خود نیاز دارید را تعریف کنیم. به طور مشابه، ما می‌توانیم داده‌ها را پیش پردازش کنیم، داده‌ها را قبل از انتقال به مدل دستکاری کنیم. در فایلJson، ما فقط باید نمایش زبان طبیعی عملیاتی که باید انجام دهیم را منتقل کنیم.

نایلن (Nylon) یک کتابخانه پایتون منبع باز است که مدل‌های یادگیری ماشینی را به راحتی در نحوJson با استفاده از زبان انگلیسی نرمال می‌سازد. در این مقاله، ما به بررسی Nylon و ویژگی‌های آن خواهیم پرداخت.

بیایید شروع کنیم …

نصب کتابخانه‌های مورد نیاز

ما با نصب Nylon با استفاده از pip شروع می‌کنیم. فرمانی که در زیر داده شده‌است این کار را خواهد کرد.

!pip install nylon

وارد کردن کتابخانه‌های مورد نیاز و ایجاد شی Nylon

در این مرحله، ما کتابخانه‌های مورد نیاز برای ایجاد مدل‌های ML را وارد خواهیم کرد. قبل از انجام هر گونه عملیات، ما فقط باید یک شی را آغاز کنیم و مسیر داده‌هایی را که بر روی آن‌ها کار خواهیم کرد، طی کنیم. در اینجا من به شما نشان خواهم داد که چگونه یک شی را ایجاد کنید و داده‌ها را به آن منتقل کنید.

from nylon import Polymer
nylon_object = Polymer('/content/diabetes.csv')

در اینجا شما می‌توانید ببینید که من مسیر مجموعه داده را به عنوان یک پارامتر به شی طی کرده‌ام.

ساخت پرونده / کد JSON

ما می‌توانیم یک فایل Json یا یک کد به سبک Json ایجاد کنیم که برای مدل‌سازی مورد استفاده قرار خواهد گرفت. کد زیر مدل را ایجاد می‌کند. نام مدل‌ها را می توان به عنوان«rf» برای جنگل تصادفی، «sgd» برای نزول گرادیان و غیره استفاده کرد.

json_file = {
"data": {
"target": "Outcome"
},
"preprocessor": {
"fill": "ALL",

},
"modeling": {
"type": ["svms", "neighbors", "rf", "mlp","sgd"]
}
}

در اینجا می‌توانید ببینید که ما متغیر هدف‌، پیش‌پردازنده و همه مدل‌هایی را که باید ایجاد کنیم‌، گذرانده‌ایم. اگر ما هیچ پیش پردازنده ‌ای را نگذرانیم، به طور خودکار از آن مراقبت خواهد کرد. با اجرای این کد می‌توانیم فایل / کد Json را ایجاد کنیم و بعد از آن می‌توانیم شی nylon را با عبور از فایل Json اجرا کنیم و این مدل‌ها را اجرا خواهد کرد.

nylon_object.run(json_file)

نتایج تحلیلی

در این مرحله آخر، ما نتایج تمام مدل‌هایی که ایجاد کرده‌ایم را تجزیه و تحلیل خواهیم کرد و خواهیم دید که کدام مدل بهترین عملکرد را دارد.

nylon_object.results

در اینجا ما می‌توانیم نتایج تمام مدل‌ها را تجزیه و تحلیل کنیم و بهترین مدل اجرایی را انتخاب کنیم. استفاده از Nylon بسیار آسان است و می‌تواند به راحتی در جریان‌های کاری یادگیری ماشینی ادغام شود.

این کار را با مجموعه داده‌های مختلف امتحان کنید و مدل‌های یادگیری ماشینی را اجرا کنید. در صورتی که مشکلی پیدا کردید لطفا در بخش پاسخ به من اطلاع دهید.

این متن با استفاده از ربات ترجمه مقالات علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.