Давайте рассмотрим простой пример контролируемого алгоритма машинного обучения для классификации с использованием известного набора данных Iris. Мы будем использовать Python и библиотеку Scikit-learn для создания базового классификатора дерева решений.

Шаг 1: Импортируйте необходимые библиотеки

импортировать numpy как np

импортировать панд как pd

из sklearn.model_selection импорта train_test_split

из sklearn.tree импортировать DecisionTreeClassifier

из sklearn.metrics импорта precision_score

Шаг 2. Загрузите и изучите набор данных

# Загрузите набор данных Iris из Scikit-learn

из sklearn.datasets импортировать load_iris

диафрагма = load_iris()

# Создайте Pandas DataFrame с функциями и целью

данные = pd.DataFrame (данные = np.c_[радужная оболочка ['данные'], радужная оболочка ['цель']],

. столбцы = радужная оболочка ['feature_names'] + ['target'])

# Показать первые несколько строк набора данных

печать (данные.голова())

Шаг 3: Подготовьте данные

# Разделите функции (X) и цель (y)

X = data.drop («цель», ось = 1)

у = данные ['цель']

# Разделить данные на наборы для обучения и тестирования

X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = 0,2, random_state = 42)

Шаг 4: Создайте и обучите классификатор

# Инициализировать классификатор дерева решений

классификатор = DecisionTreeClassifier()

# Обучаем классификатор на обучающих данных

classifier.fit(X_train, y_train)

Шаг 5: Сделайте прогнозы на тестовых данных

# Предсказать целевые значения для тестовых данных

y_pred = классификатор.predict(X_test)

Шаг 6: Оцените модель

# Рассчитать точность модели

точность = показатель_точности (y_test, y_pred)

print("Точность:", точность)

В этом примере мы использовали классификатор дерева решений для классификации цветов ириса на три вида (сетоза, разноцветный и виргинский) на основе их длины чашелистиков, ширины чашелистиков, длины лепестков и ширины лепестков. Точность модели говорит нам, насколько хорошо она может предсказывать виды цветков ириса на невидимых данных.

Помните, что это всего лишь базовый пример. Существует множество других алгоритмов машинного обучения и более сложных наборов данных, которые вы можете изучить по мере продвижения в своем путешествии по машинному обучению.