ML-For-Beginners/translations/de/4-Classification/2-Classifiers-1

Küchenklassifizierer 1

In dieser Lektion wirst du den Datensatz verwenden, den du aus der letzten Lektion gespeichert hast, der mit ausgewogenen, sauberen Daten über Küchen gefüllt ist.

Du wirst diesen Datensatz mit einer Vielzahl von Klassifikatoren nutzen, um eine bestimmte nationale Küche basierend auf einer Gruppe von Zutaten vorherzusagen. Dabei wirst du mehr über einige der Möglichkeiten lernen, wie Algorithmen für Klassifikationsaufgaben genutzt werden können.

Vorlesungsquiz

Vorbereitung

Vorausgesetzt, du hast Lektion 1 abgeschlossen, stelle sicher, dass eine cleaned_cuisines.csv-Datei im Hauptverzeichnis /data für diese vier Lektionen vorhanden ist.

Übung - Vorhersage einer nationalen Küche

1. Arbeite im notebook.ipynb-Ordner dieser Lektion und importiere diese Datei zusammen mit der Pandas-Bibliothek:

   import pandas as pd
   cuisines_df = pd.read_csv("../data/cleaned_cuisines.csv")
   cuisines_df.head()
   

   Die Daten sehen folgendermaßen aus:

	Unnamed: 0	cuisine	almond	angelica	anise	anise_seed	apple	apple_brandy	apricot	armagnac	...	whiskey	white_bread	white_wine	whole_grain_wheat_flour	wine	wood	yam	yeast	yogurt	zucchini
0	0	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	1	indian	1	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
2	2	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
3	3	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
4	4	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	1	0

1. Importiere nun mehrere weitere Bibliotheken:

   from sklearn.linear_model import LogisticRegression
   from sklearn.model_selection import train_test_split, cross_val_score
   from sklearn.metrics import accuracy_score,precision_score,confusion_matrix,classification_report, precision_recall_curve
   from sklearn.svm import SVC
   import numpy as np
   

2. Teile die X- und y-Koordinaten in zwei DataFrames für das Training auf. cuisine kann der DataFrame mit den Labels sein:

   cuisines_label_df = cuisines_df['cuisine']
   cuisines_label_df.head()
   

   Es wird folgendermaßen aussehen:

   0    indian
   1    indian
   2    indian
   3    indian
   4    indian
   Name: cuisine, dtype: object
   

3. Entferne Unnamed: 0 column and the cuisine column, calling drop(). Speichere die restlichen Daten als trainierbare Merkmale:

   cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1)
   cuisines_feature_df.head()
   

   Deine Merkmale sehen folgendermaßen aus:

	almond	angelica	anise	anise_seed	apple	apple_brandy	apricot	armagnac	artemisia	artichoke	...	whiskey	white_bread	white_wine	whole_grain_wheat_flour	wine	wood	yam	yeast	yogurt	zucchini
0	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	1	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0

Haftungsausschluss:
Dieses Dokument wurde mithilfe von KI-gestützten Übersetzungsdiensten übersetzt. Obwohl wir uns um Genauigkeit bemühen, sollten Sie beachten, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen.