Suponiendo que pueda usar scikit-learn, esto se puede hacer de manera muy simple:
# Importar clasificador de vectores de soporte de sklearn desde sklearn.svm import SVC # Tu información: # Las características son una lista de píxeles que son una lista de los tres canales de color. # ya que tiene 8 píxeles cada ejemplo (la lista más externa) contiene 8 píxeles * 3 canales # es decir 24 feature_values. Este ejemplo muestra un solo ejemplo de entrenamiento. # El conjunto de etiquetas contiene el índice de clase de cada conjunto de características. # Como solo tenemos un ejemplo, solo tenemos una etiqueta. features_train = [ [[255,255,255], [0,0,0], [255,255,255], [0,0,0], [255,255,255], [0,0,0], [255,255,255], [0,0,0]] ] labels_train = [1] # etiquetas como índices de clase. # inicializar clasificador # puede configurar hiperparámetros aquí. (usar documentación) clf = SVC () # entrenar al clasificador en los datos de entrenamiento clf.fit (features_train, labels_train)
Puede utilizar las funciones de score y predict para evaluar la precisión del modelo y predecir nuevos valores.
Puede utilizar la página de documentación muy bien diseñada para buscar hiperparámetros, encontrar más ejemplos y familiarizarse con la API.
- ¿Cuáles son algunos trabajos de investigación que puedo publicar en el campo del procesamiento / generación de lenguaje natural, aprendizaje automático y minería de datos?
- ¿Cuántos 50 mg / ml hay en un vial de 10 ml de EP?
- La IA ha existido por décadas. ¿Qué condujo a toda la publicidad reciente de AI / Deep Learning?
- Cómo usar Tensorflow para Python en Windows
- ¿Puede un principiante de programación sumergirse profundamente en el aprendizaje automático y el aprendizaje profundo directamente?
Además, scikit-learn hace que sea fácil probar una gran selección de clasificadores comunes. (nuevamente use la documentación).
