Meta tags:
description= Python für Machine Learning einrichten, den ML-Workflow verstehen und das erste Modell mit scikit-learn, NumPy und pandas ausführen.;
Headings (most frequently used words):
schritt, machine, learning, python, und, erste, schritte, mit, umgebung, daten, modell, installieren, was, ist, warum, für, einrichten, ihrer, der, workflow, ihre, numpy, pandas, verstehen, bereinigen, vorbereiten, in, trainings, testmengen, aufteilen, ein, trainieren, das, evaluieren, den, richtigen, algorithmus, wählen, häufige, anfängerfehler, fazit, eine, virtuelle, erstellen, die, kernbibliotheken, fehlende, werte, behandeln, merkmale, skalieren,
Text of the page (most frequently used words):
#python (70), sie (39), die (30), und (28), lernen (19), mit (17), daten (17), ein (16), der (16), matplotlib (15), auf (15), das (14), ist (14), kopieren (14), mysql (13), eine (12), mongodb (12), machine (11), learning (11), modell (10), den (10), print (10), import (10), numpy (10), pandas (10), erste (9), für (8), schritte (8), umgebung (8), wie (8), listen (8), html (7), was (7), schritt (7), data (7), income (7), strings (7), elemente (7), ihre (6), regression (6), von (6), sklearn (6), from (6), age (6), erstellen (6), string (6), w3docs (5), alle (5), tools (5), mittelwert (5), algorithmen (5), immer (5), werte (5), dem (5), scikit (5), learn (5), oder (5), tutorial (5), tuples (5), methoden (5), formatter (5), color (5), json (4), code (4), generator (4), median (4), haben (4), trainieren (4), kapitel (4), sich (4), vor (4), dieser (4), randomforestclassifier (4), aus (4), viele (4), x_test (4), model (4), random_state (4), train (4), iris (4), train_test_split (4), array (4), spalte (4), durch (4), mean (4), fehlende (4), pip (4), env (4), dateien (4), entfernen (4), dictionaries (4), set (4), listenelemente (4), durchlaufen (4), über (3), encoder (3), editor (3), quizze (3), übungen (3), php (3), javascript (3), css (3), verstehen (3), vollständige (3), pipeline (3), aufteilen (3), evaluieren (3), bevor (3), prüfen (3), anzahl (3), wenn (3), metrik (3), lernt (3), bei (3), datensatz (3), wird (3), werden (3), reihe (3), algorithmus (3), bietet (3), vorhersagen (3), als (3), trainiert (3), y_test (3), test (3), x_train (3), y_train (3), test_size (3), split (3), einem (3), standardscaler (3), standardabweichung (3), isnull (3), sum (3), zahlen (3), workflow (3), installieren (3), drei (3), virtuelle (3), einrichten (3), variablen (3), sets (3), hinzufügen (3), zugreifen (3), italiano (2), português (2), español (2), français (2), русский (2), deutsch (2), english (2), sprache (2), beautifier (2), diff (2), password (2), java (2), git (2), bücher (2), tutorials (2), beispiele (2), snippets (2), this (2), page (2), modus (2), kreisdiagramme (2), nun (2), funktionierende (2), laden (2), bereinigen (2), zurückgehaltenen (2), folgenden (2), gehen (2), jeden (2), bis (2), hin (2), kreuzvalidierung (2), erkundung (2), ihrer (2), negativ (2), sind (2), genauigkeit (2), aber (2), wählen (2), verwenden (2), dies (2), cross (2), validation (2), aufteilung (2), testset (2), training (2), nearest (2), neighbors (2), clustering (2), verschiedene (2), probleme (2), einen (2), precision (2), recall (2), positiven (2), korrekter (2), accuracy (2), kann (2), gibt (2), n_estimators (2), 100 (2), accuracy_score (2), predictions (2), predict (2), evaluate (2), load_iris (2), model_selection (2), ihr (2), beispiel (2), weitere (2), finden (2), sodass (2), teil (2), hat (2), x_scaled (2), round (2), scaler (2), werten (2), nicht (2), jedes (2), merkmale (2), fillna (2), 48000 (2), 70000 (2), none (2), 55000 (2), 40000 (2), dataframe (2), müssen (2), diese (2), zeigt (2), shape (2), max (2), std (2), projekt (2), install (2), requirements (2), txt (2), kernbibliotheken (2), activate (2), python3 (2), pakete (2), installation (2), ausgabe (2), neuer (2), community (2), syntax (2), warum (2), überwachtes (2), kategorie (2), beschrifteten (2), and (2), handling (2), klassen (2), limit (2), update (2), drop (2), collection (2), delete (2), insert (2), datenbank (2), grid (2), einführung (2), schleifen (2), verbinden (2), ändern (2), hash (2), 2026, rechte, vorbehalten, entwickler, gemacht, datenschutzrichtlinie, kontakt, uns, unternehmen, probier, üben, kostenlose, web, seit, 2014, next, previous, yes, helpful, des, überwachten, lernens, tiefer, beginnend, einzelne, fortgeschrittenen, themen, hyperparameter, tuning, datenvorbereitung, fazit, schauen, modellieren, wertebereiche, verteilungen, fehlender, überspringen, labels, erreicht, vorhersagt, nutzlos, klassenverteilung, klassenungleichgewicht, ignorieren, trainingsdaten, auswendig, schneidet, neuen, schlecht, frühzeitig, erkennen, overfitting, skalierer, gesamten, angepasst, fließen, statistiken, passen, transformer, nur, trainingsset, wenden, dann, leakage, häufige, anfängerfehler, meisten, weiteren, verlauf, kennenlernen, gute, einstiegspunkte, linear, decision, tree, pca, dimensionsreduktion, kmeans, randomforestregressor, linearregression, logisticregression, klassifikation, zuerst, ausprobieren, problemtyp, erfordern, hier, kurze, orientierungshilfe, richtigen, tieferen, einblick, evaluation, confusion, matrix, harmonisches, mittel, score, tatsächlichen, wir, korrekt, vorhergesagt, vorhergesagten, waren, wirklich, positiv, gesamtanteil, misst, anteil, leicht, verständlich, irreführend, sein, klasse, viel, seltener, anderen, suite, entscheidungsbäume, zufälligen, teilmengen, kombiniert, deren, stimmen, behandelt, nichtlineare, beziehungen, gut, starke, ausgangsbasis, klassifikationsaufgaben, bäume, len, samples, fit, target, load, metrics, ensemble, datasets, bereinigten, aufgeteilten, können, erstes, folgende, verwendet, klassisches, benchmark, 150, proben, numerischen, merkmalen, klassifizierenden, blumenarten, reserviert, tests, macht, reproduzierbar, strategien, stratifiziertes, niemals, denen, wurde, wäre, würden, eigene, prüfung, lösungsblatt, korrigieren, teilen, evaluiert, noch, nie, gesehen, trainings, testmengen, details, unter, feature, scaling, fit_transform, 300, 400, 200, preprocessing, nächste, nachbarn, svms, neuronale, netze, reagieren, empfindlich, merkmalsska, tausenderbereich, einstelligen, dominieren, sofern, normalisieren, subtrahiert, dividiert, merkmal, skalieren, ersetzen, robust, gegenüber, ausreißern, behandeln, reale, datensätze, fast, inkonsistente, formate, sehr, unterschiedlichen, skalen, beheben, vorbereiten, ihnen, zeilen, spalten, zählt, pro, modellierung, missing, values, each, column, 49000, bought, 32000, kleinen, aufbauen, 1402, numerisches, untersuchen, irgendetwas, wissen, aussehen, schnelle, arithmetik, fügt, beschriftete, tabellen, dataframes, hinzu, erleichtern, verständnis, wichtiger, auswendiglernen, eines, einzelnen, abschnitte, raw, clean, prepare, überwachte, folgt, derselben, fünfstufigen, jeder, klont, reproduzieren, freeze, speichern, genauen, versionen, reproduzierbarkeit, aktiver, virtueller, bibliotheken, eingabeaufforderung, bestätigen, dass, aktiv, scripts, bat, prompt, command, windows, source, bin, macos, linux, aktivieren, venv, isoliert, ihres, projekts, systemweiten, verhindert, versionskonflikte, zwischen, projekten, sollten, sehen, version, herunter, überprüfen, org, größte, bedeutet, reichlich, stack, overflow, antworten, vortrainierte, modelle, machen, datenaufbereitung, unkompliziert, datenwerkzeuge, tensorflow, pytorch, keras, verfügen, erstklassige, apis, reiches, ökosystem, lassen, schnell, ohne, boilerplate, prototypisieren, lesbare, mehreren, gründen, zur, standardsprache, geworden, konzentriert, praxis, häufigsten, verwendete, spielende, robotik, agent, versuch, irrtum, belohnungen, bestärkendes, kundensegmentierung, anomalieerkennung, findet, verborgene, strukturen, unüberwachtes, spam, erkennung, hauspreisvorhersage, beispielen, eingabe, bekannte, typisches, tut, übergeordnete, kategorien, teilgebiet, künstlichen, intelligenz, programm, muster, erlernt, anstatt, handgeschriebenen, regeln, folgen, stellen, bereit, legen, fest, entdecken, möchten, ermittelt, zuordnung, ende, vollständiges, klassifikationsbeispiel, ausgeführt, dieses, führt, erfahren, dominierende, dafür, aufgebaut, rohdaten, trainierten, evaluierten, ausführen, http, anfragen, pytest, umgebungen, tooling, best, practices, threading, asyncio, concurrency, csv, random, sys, itertools, collections, ausnahmen, auslösen, error, the, standard, library, zwei, addieren, umkehren, duplikate, how, enums, abstrakte, kapselung, polymorphismus, dataclasses, static, classmethod, property, magic, methods, advanced, oop, match, anweisung, enumerate, zip, map, comprehensions, kontextmanager, rekursion, closures, generatoren, decorators, args, kwargs, type, hints, intermediate, sort, query, find, join, table, order, where, select, tabelle, einstieg, auc, roc, kurve, bootstrap, aggregation, means, kategoriale, search, logistische, hierarchisches, konfusionsmatrix, entscheidungsbaum, skalierung, multiple, polynomiale, lineare, streudiagramm, normalverteilung, datenverteilung, perzentil, histogramme, balken, scatter, subplot, beschriftungen, linie, marker, plotting, pyplot, django, scipy, modules, löschen, schreiben, lesen, dateiverarbeitung, file, formatierung, benutzereingabe, try, except, regex, math, datumsangaben, module, scope, iteratoren, vererbung, objekte, arrays, lambda, funktionen, for, while, else, tupeln, gruppieren, operatoren, booleans, casting, datentypen, kommentare, variablennamen, aktualisieren, tupel, entpacken, tuple, sortieren, slicen, home, ausgabevariablen, verschachtelte, modifizieren, list, comprehension, zusammenführen, globale, format, escape, zeichen, dictionary, verketten, mehrere, zuweisen, aufrufen, anmelden, durchsuchen, formatters, url, reverse, sha256, md5, length, calculator, colors, hsl, hex, mixer, converter, picker, general, kurse,
Text of the page (random words):
erste schritte mit python machine learning w3docs w3docs bücher html lernen css lernen javascript lernen git lernen java lernen php lernen python lernen kurse quizze übungen snippets tools general tools html editor password generator html encoder code diff json beautifier alle 13 color tools color picker color converter color mixer color hex colors hsl alle 10 string tools string length calculator md5 hash generator sha256 hash generator string reverse url encoder alle 19 code formatters javascript formatter css formatter html formatter json formatter php formatter w3docs durchsuchen k de english en deutsch de русский ru français fr español es português pt italiano it anmelden python lernen python tutorial auf elemente zugreifen auf listenelemente zugreifen auf set elemente zugreifen tuples aufrufen elemente hinzufügen listenelemente hinzufügen set elemente hinzufügen mehrere werte zuweisen elemente ändern listenelemente ändern strings verketten dictionaries kopieren listen kopieren dictionary methoden escape zeichen format strings globale variablen listen verbinden sets zusammenführen tuples verbinden list comprehension listen methoden dictionaries durchlaufen listen durchlaufen sets durchlaufen tuples durchlaufen strings modifizieren verschachtelte dictionaries ausgabevariablen python home python listen python sets python strings python tuples python variablen elemente entfernen listenelemente entfernen set elemente entfernen set methoden strings slicen listen sortieren string methoden tuple methoden tupel entpacken tuples aktualisieren variablennamen python einführung python erste schritte python syntax python kommentare python variablen python datentypen python zahlen python casting python strings python booleans python operatoren python listen python tupeln gruppieren python dictionaries python if else python while schleifen python for schleifen python funktionen python lambda python arrays python klassen objekte python vererbung python iteratoren python scope python module python datumsangaben python math python json python regex python pip python try except python benutzereingabe python string formatierung file handling python dateiverarbeitung python dateien lesen python dateien schreiben erstellen python dateien löschen python modules numpy tutorial pandas tutorial scipy tutorial django tutorial python matplotlib matplotlib einführung matplotlib erste schritte matplotlib pyplot matplotlib plotting matplotlib marker matplotlib linie matplotlib beschriftungen matplotlib grid matplotlib subplot matplotlib scatter matplotlib balken matplotlib histogramme matplotlib kreisdiagramme machine learning erste schritte mittelwert median modus standardabweichung perzentil datenverteilung normalverteilung von daten streudiagramm lineare regression polynomiale regression multiple regression skalierung train test entscheidungsbaum konfusionsmatrix hierarchisches clustering logistische regression grid search kategoriale daten k means bootstrap aggregation cross validation auc roc kurve k nearest neighbors python mysql mysql einstieg mysql datenbank erstellen mysql tabelle erstellen mysql insert mysql select mysql where mysql order by mysql delete mysql drop table mysql update mysql limit mysql join python mongodb mongodb erste schritte mongodb datenbank erstellen mongodb collection erstellen mongodb insert mongodb find mongodb query mongodb sort mongodb delete mongodb drop collection mongodb update mongodb limit intermediate python f strings type hints args kwargs decorators generatoren closures rekursion kontextmanager comprehensions enumerate zip map match anweisung advanced oop magic methods property static classmethod dataclasses polymorphismus kapselung abstrakte klassen enums python how to listen duplikate entfernen string umkehren zwei zahlen addieren error handling and the standard library ausnahmen auslösen collections itertools os sys random csv dateien concurrency in python asyncio threading python tooling and best practices virtuelle umgebungen pakete pytest http anfragen erste schritte python für machine learning einrichten den ml workflow verstehen und das erste modell mit scikit learn numpy und pandas ausführen erste schritte mit python machine learning dieses kapitel führt in machine learning mit python ein sie erfahren was machine learning ist warum python die dominierende sprache dafür ist wie sie eine funktionierende umgebung einrichten und wie der vollständige ml workflow aufgebaut ist von rohdaten bis hin zu einem trainierten evaluierten modell am ende werden sie ein vollständiges klassifikationsbeispiel mit den drei kernbibliotheken ausgeführt haben numpy pandas und scikit learn was ist machine learning machine learning ml ist ein teilgebiet der künstlichen intelligenz bei dem ein programm muster aus daten erlernt anstatt handgeschriebenen regeln zu folgen sie stellen beispiele daten bereit legen fest was sie vorhersagen oder entdecken möchten und ein ml algorithmus ermittelt die zuordnung es gibt drei übergeordnete kategorien kategorie was sie tut typisches beispiel überwachtes lernen lernt aus beschrifteten beispielen eingabe bekannte ausgabe spam erkennung hauspreisvorhersage unüberwachtes lernen findet verborgene strukturen in nicht beschrifteten daten kundensegmentierung anomalieerkennung bestärkendes lernen ein agent lernt durch versuch und irrtum mit belohnungen spielende ki robotik diese reihe konzentriert sich auf überwachtes lernen da es in der praxis die am häufigsten verwendete kategorie ist warum python für machine learning python ist aus mehreren gründen zur standardsprache für ml geworden lesbare syntax algorithmen lassen sich schnell ohne boilerplate prototypisieren reiches ökosystem scikit learn tensorflow pytorch und keras verfügen alle über erstklassige python apis datenwerkzeuge numpy und pandas machen die datenaufbereitung unkompliziert community die größte ml community was bedeutet reichlich tutorials stack overflow antworten und vortrainierte modelle einrichten ihrer umgebung python installieren laden sie python 3 10 oder neuer von python org herunter überprüfen sie die installation python3 version kopieren sie sollten eine ausgabe wie python 3 10 15 oder neuer sehen eine virtuelle umgebung erstellen eine virtuelle umgebung isoliert die pakete ihres projekts von der systemweiten python installation dies verhindert versionskonflikte zwischen projekten python3 m venv ml env kopieren aktivieren sie sie macos linux source ml env bin activate windows command prompt ml env scripts activate bat kopieren ihre eingabeaufforderung zeigt nun ml env an um zu bestätigen dass die umgebung aktiv ist die kernbibliotheken installieren installieren sie bei aktiver virtueller umgebung die drei bibliotheken die sie in dieser reihe verwenden werden pip install numpy pandas scikit learn kopieren speichern sie die genauen versionen für die reproduzierbarkeit pip freeze requirements txt kopieren jeder der ihr projekt klont kann ihre umgebung mit pip install r requirements txt reproduzieren der machine learning workflow jedes überwachte ml projekt folgt derselben fünfstufigen pipeline raw data clean prepare split train model evaluate kopieren das verständnis dieser pipeline ist wichtiger als das auswendiglernen eines einzelnen algorithmus die folgenden abschnitte gehen jeden schritt mit code durch schritt 1 ihre daten mit numpy und pandas verstehen bevor sie irgendetwas trainieren müssen sie wissen wie ihre daten aussehen numpy bietet schnelle array arithmetik pandas fügt beschriftete tabellen dataframes hinzu die die erkundung erleichtern numpy ein numerisches array untersuchen import numpy as np data np array 2 1 3 4 1 8 5 0 2 7 print mean data mean 3 0 print std round data std 4 1 1402 print max data max 5 0 kopieren pandas einen kleinen datensatz aufbauen import pandas as pd df pd dataframe age 25 30 22 35 28 income 40000 55000 32000 70000 48000 bought 0 1 0 1 0 print df shape 5 3 print df income mean 49000 0 print df isnull sum 0 missing values in each column kopieren df shape zeigt ihnen die anzahl der zeilen und spalten isnull sum zählt fehlende werte pro spalte prüfen sie das immer vor der modellierung schritt 2 daten bereinigen und vorbereiten reale datensätze haben fast immer fehlende werte inkonsistente formate oder merkmale auf sehr unterschiedlichen skalen sie müssen diese probleme vor dem training beheben fehlende werte behandeln ersetzen sie fehlende zahlen durch den median der spalte robust gegenüber ausreißern oder den mittelwert import pandas as pd df pd dataframe age 25 none 22 35 28 income 40000 55000 none 70000 48000 df age df age fillna df age median df income df income fillna df income mean print df isnull sum age 0 income 0 kopieren merkmale skalieren viele algorithmen k nächste nachbarn svms neuronale netze reagieren empfindlich auf die merkmalsska la eine spalte mit werten im tausenderbereich wird eine spalte mit einstelligen werten dominieren sofern sie sie nicht normalisieren standardscaler subtrahiert den mittelwert und dividiert durch die standardabweichung sodass jedes merkmal den mittelwert 0 und die standardabweichung 1 hat from sklearn preprocessing import standardscaler import numpy as np x np array 1 0 200 0 2 0 400 0 3 0 300 0 scaler standardscaler x_scaled scaler fit_transform x print x_scaled round 2 1 22 1 22 0 1 22 1 22 0 kopieren weitere details finden sie unter feature scaling schritt 3 in trainings und testmengen aufteilen evaluieren sie ein modell niemals mit den daten auf denen es trainiert wurde das wäre so als würden sie ihre eigene prüfung mit dem lösungsblatt vor sich korrigieren teilen sie die daten auf sodass das modell auf einem teil trainiert und auf einem zurückgehaltenen teil evaluiert wird den es noch nie gesehen hat from sklearn model_selection import train_test_split x_train x_test y_train y_test train_test_split x y test_size 0 2 random_state 42 kopieren test_size 0 2 reserviert 20 der daten für tests random_state 42 macht die aufteilung reproduzierbar weitere strategien wie stratifiziertes aufteilen und kreuzvalidierung finden sie im kapitel train test split schritt 4 ein modell trainieren mit bereinigten aufgeteilten daten können sie ihr erstes modell trainieren das folgende beispiel verwendet den iris datensatz ein klassisches benchmark mit 150 proben 4 numerischen merkmalen und 3 zu klassifizierenden blumenarten from sklearn datasets import load_iris from sklearn model_selection import train_test_split from sklearn ensemble import randomforestclassifier from sklearn metrics import accuracy_score 1 load iris load_iris 2 split x_train x_test y_train y_test train_test_split iris data iris target test_size 0 2 random_state 42 3 train model randomforestclassifier n_estimators 100 random_state 42 model fit x_train y_train 4 predict evaluate predictions model predict x_test print f test samples len x_test 30 print f accuracy accuracy_score y_test predictions 2f 1 00 kopieren ein randomforestclassifier trainiert viele entscheidungsbäume auf zufälligen teilmengen der daten und kombiniert deren stimmen er behandelt nichtlineare beziehungen gut und ist eine starke ausgangsbasis für klassifikationsaufgaben n_estimators 100 gibt die anzahl der bäume an schritt 5 das modell evaluieren genauigkeit der anteil korrekter vorhersagen ist leicht verständlich kann aber irreführend sein wenn eine klasse viel seltener ist als die anderen scikit learn bietet eine vollständige metrik suite metrik was sie misst accuracy gesamtanteil korrekter vorhersagen precision von vorhergesagten positiven wie viele waren wirklich positiv recall von tatsächlichen positiven wie viele haben wir korrekt vorhergesagt f1 score harmonisches mittel aus precision und recall einen tieferen einblick in die evaluation bietet das kapitel confusion matrix den richtigen algorithmus wählen verschiedene probleme erfordern verschiedene algorithmen hier ist eine kurze orientierungshilfe problemtyp zuerst ausprobieren klassifikation randomforestclassifier logisticregression regression linearregression randomforestregressor clustering kmeans dimensionsreduktion pca die meisten dieser algorithmen werden sie im weiteren verlauf dieser reihe kennenlernen gute einstiegspunkte sind k nearest neighbors decision tree und linear regression häufige anfängerfehler data leakage wenn der skalierer auf dem gesamten datensatz vor der aufteilung angepasst wird fließen testset statistiken in das training ein passen sie transformer immer nur auf dem trainingsset an und wenden sie sie dann auf das testset an overfitting ein modell das trainingsdaten auswendig lernt schneidet bei neuen daten schlecht ab verwenden sie cross validation um dies frühzeitig zu erkennen klassenungleichgewicht ignorieren wenn 95 ihrer labels negativ sind erreicht ein modell das immer negativ vorhersagt 95 genauigkeit ist aber nutzlos prüfen sie die klassenverteilung bevor sie eine metrik wählen erkundung überspringen schauen sie sich ihre daten immer an bevor sie modellieren prüfen sie wertebereiche verteilungen und die anzahl fehlender werte fazit sie haben nun eine funktionierende python ml umgebung und verstehen die vollständige pipeline des überwachten lernens daten laden bereinigen aufteilen ein modell trainieren und auf zurückgehaltenen daten evaluieren die folgenden kapitel gehen tiefer in jeden schritt ein beginnend mit der datenvorbereitung über einzelne algorithmen bis hin zu fortgeschrittenen themen wie kreuzvalidierung und hyperparameter tuning was this page helpful yes no previous matplotlib kreisdiagramme next mittelwert median modus on this page erste schritte mit python machine learning w3docs kostenlose tutorials beispiele übungen snippets und quizze für das web seit 2014 bücher html lernen css lernen javascript lernen git lernen java lernen php lernen python lernen üben übungen quizze probier editor tools html editor password generator html encoder code diff json beautifier unternehmen über uns kontakt datenschutzrichtlinie sprache english deutsch русский français español português italiano 2026 w3docs alle rechte vorbehalten für entwickler gemacht
|
