Przykład 1 Dane
Zbieranie danych TensorFlow
Dane użyte w przykładzie 1 to lista obiektów samochodów, takich jak ta:
{
"Name": "chevrolet chevelle malibu",
"Miles_per_Gallon": 18,
"Cylinders": 8,
"Displacement": 307,
"Horsepower": 130,
"Weight_in_lbs": 3504,
"Acceleration": 12,
"Year": "1970-01-01",
"Origin": "USA"
},
{
"Name": "buick skylark 320",
"Miles_per_Gallon": 15,
"Cylinders": 8,
"Displacement": 350,
"Horsepower": 165,
"Weight_in_lbs": 3693,
"Acceleration": 11.5,
"Year": "1970-01-01",
"Origin": "USA"
},
Zbiór danych to plik JSON przechowywany w:
https://storage.googleapis.com/tfjs-tutorials/carsData.json
Czyszczenie danych
Przygotowując się do uczenia maszynowego, zawsze ważne jest, aby:
- Usuń dane, których nie potrzebujesz
- Wyczyść dane z błędów
Usuń dane
Sprytny sposób na usunięcie niepotrzebnych danych, to wyodrębnienie tylko tych danych, których potrzebujesz .
Można to zrobić, iterując (przeglądając) dane za pomocą funkcji mapy .
Poniższa funkcja pobiera obiekt i zwraca tylko x i y z właściwości Horsepower i Miles_per_Gallon obiektu:
function extractData(obj) {
return {x:obj.Horsepower, y:obj.Miles_per_Gallon};
}
Usuń błędy
Większość zbiorów danych zawiera jakiś rodzaj błędów.
Sprytnym sposobem na usunięcie błędów jest użycie funkcji filtrowania w celu odfiltrowania błędów.
Poniższy kod zwraca wartość false, jeśli jedna z właściwości (x lub y) zawiera wartość pustą:
function removeErrors(obj) {
return obj.x != null && obj.y != null;
}
Pobieranie danych
Gdy masz gotowe funkcje mapy i filtrowania, możesz napisać funkcję pobierającą dane.
async function runTF() {
const jsonData = await fetch("cardata.json");
let values = await jsonData.json();
values = values.map(extractData).filter(removeErrors);
}
Wykreślanie danych
Oto kod, którego możesz użyć do wykreślenia danych:
function tfPlot(values, surface) {
tfvis.render.scatterplot(surface,
{values:values, series:['Original','Predicted']},
{xLabel:'Horsepower', yLabel:'MPG'});
}