KI selbst gemacht: So bauen Sie Ihr erstes Entscheidungsmodell (KI) mit Python

Haben Sie sich jemals gefragt, wie KI funktioniert und wie Sie Ihre eigene bauen können? Dieser Artikel führt Sie durch den Prozess der Erstellung Ihres ersten Entscheidungsmodells mit Python. Keine Sorge, Sie brauchen kein Mathegenie zu sein! Wir werden alles Schritt für Schritt erklären und uns auf die praktischen Aspekte konzentrieren. Lassen Sie uns in die Welt der künstlichen Intelligenz eintauchen und sehen, wie einfach es sein kann, ein grundlegendes Entscheidungsmodell zu erstellen.

Was ist ein Entscheidungsmodell?

Ein Entscheidungsmodell, oft auch als Entscheidungsbaum bezeichnet, ist eine Art von Algorithmus für maschinelles Lernen, der verwendet wird, um Vorhersagen basierend auf einer Reihe von Entscheidungsregeln zu treffen. Stellen Sie sich vor, Sie entscheiden, ob Sie heute ins Kino gehen oder nicht. Sie könnten Faktoren wie das Wetter, die angezeigten Filme und ob Sie mit Freunden zusammen sind berücksichtigen. Ein Entscheidungsmodell arbeitet ähnlich, indem es Daten anhand verschiedener Merkmale analysiert und auf der Grundlage dieser Merkmale zu einer Entscheidung gelangt.

Warum Python?

Python ist eine beliebte Programmiersprache für KI und maschinelles Lernen aus mehreren Gründen:

• Einfachheit: Python ist leicht zu lernen und zu lesen, was es ideal für Anfänger macht.
• Bibliotheken: Es verfügt über eine riesige Sammlung leistungsstarker Bibliotheken wie scikit-learn, die speziell für maschinelles Lernen entwickelt wurden.
• Community: Eine große und aktive Community bietet Unterstützung und Ressourcen für die Entwicklung von KI-Anwendungen.

Voraussetzungen

Bevor wir beginnen, stellen Sie sicher, dass Sie Folgendes installiert haben:

• Python: Laden Sie die neueste Version von der offiziellen Python-Website herunter.
• Pip: Pip ist ein Paketmanager für Python, der normalerweise mit Python installiert wird.
• Scikit-learn: Installieren Sie diese Bibliothek mit dem Befehl: pip install scikit-learn
• Pandas: Für die Datenmanipulation installieren Sie mit dem Befehl: pip install pandas

Schritt 1: Datensammlung und Vorbereitung

Jedes KI-Projekt beginnt mit Daten. Für dieses Beispiel erstellen wir einen einfachen Datensatz, um zu entscheiden, ob jemand einen Kredit erhalten sollte oder nicht. Betrachten Sie die folgenden Faktoren: Einkommen, Kreditwürdigkeit und Schulden.

Hier ist ein Beispieldatensatz, den wir in einem Pandas DataFrame verwenden werden:

import pandas as pd

data = {
    'Einkommen': [60000, 80000, 40000, 50000, 70000, 90000, 45000, 55000],
    'Kreditwürdigkeit': ['gut', 'sehr gut', 'mittel', 'gut', 'sehr gut', 'ausgezeichnet', 'mittel', 'gut'],
    'Schulden': [20000, 10000, 30000, 25000, 15000, 5000, 35000, 22000],
    'Kredit_genehmigt': ['ja', 'ja', 'nein', 'ja', 'ja', 'ja', 'nein', 'ja']
}

df = pd.DataFrame(data)

print(df)

Dieser Code erstellt einen DataFrame mit den oben genannten Daten. Nun müssen wir die kategorialen Daten (Kreditwürdigkeit und Kredit_genehmigt) in numerische Daten umwandeln, da die meisten Algorithmen für maschinelles Lernen mit numerischen Daten arbeiten.

from sklearn.preprocessing import LabelEncoder

# Wandle kategoriale Merkmale in numerische um
label_encoder = LabelEncoder()
df['Kreditwürdigkeit'] = label_encoder.fit_transform(df['Kreditwürdigkeit'])
df['Kredit_genehmigt'] = label_encoder.fit_transform(df['Kredit_genehmigt'])

print(df)

Hier verwenden wir den LabelEncoder von scikit-learn, um die kategorialen Werte in numerische Werte umzuwandeln. „Gut”, „Sehr gut”, „Mittel” und „Ausgezeichnet” werden beispielsweise in Zahlen wie 0, 1, 2 bzw. 3 umgewandelt.

Schritt 2: Trainieren des Entscheidungsmodells

Nachdem die Daten vorbereitet sind, können wir das Entscheidungsmodell trainieren. Wir verwenden die DecisionTreeClassifier-Klasse von scikit-learn.

from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# Teile die Daten in Trainings- und Testsätze auf
X = df[['Einkommen', 'Kreditwürdigkeit', 'Schulden']]
y = df['Kredit_genehmigt']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Erstelle ein Entscheidungsmodell
model = DecisionTreeClassifier()

# Trainiere das Modell
model.fit(X_train, y_train)

# Triff Vorhersagen auf dem Testsatz
y_pred = model.predict(X_test)

# Bewerte die Genauigkeit des Modells
accuracy = accuracy_score(y_test, y_pred)
print(f"Genauigkeit: {accuracy}")

Dieser Code teilt die Daten zunächst in Trainings- und Testsätze auf. Der Trainingssatz wird verwendet, um das Modell zu trainieren, und der Testsatz wird verwendet, um die Leistung des Modells zu bewerten. Dann erstellen wir eine Instanz von DecisionTreeClassifier, trainieren sie mit den Trainingsdaten und treffen Vorhersagen auf den Testdaten. Abschließend berechnen wir die Genauigkeit des Modells mithilfe der accuracy_score-Funktion.

Schritt 3: Visualisierung des Entscheidungsbaums (Optional)

Sie können den Entscheidungsbaum auch visualisieren, um zu verstehen, wie das Modell Entscheidungen trifft. Dies kann mit der plot_tree-Funktion von scikit-learn erfolgen.

from sklearn.tree import plot_tree
import matplotlib.pyplot as plt

plt.figure(figsize=(12, 8))
plot_tree(model, feature_names=['Einkommen', 'Kreditwürdigkeit', 'Schulden'], class_names=['Nein', 'Ja'], filled=True)
plt.show()

Dieser Code plottet den Entscheidungsbaum, wobei jedes Knoten die Entscheidungsregel und die Blätter die Vorhersagen darstellen. Die Parameter feature_names und class_names werden verwendet, um die Merkmale und Klassen im Diagramm zu beschriften.

Schritt 4: Verwendung des Modells zur Vorhersage

Nachdem das Modell trainiert wurde, können Sie es verwenden, um Vorhersagen für neue Daten zu treffen.

# Triff eine Vorhersage für einen neuen Kunden
new_customer = pd.DataFrame({
    'Einkommen': [65000],
    'Kreditwürdigkeit': [1], # Angenommen, 1 steht für "sehr gut"
    'Schulden': [18000]
})

prediction = model.predict(new_customer)

if prediction[0] == 1:
    print("Kredit genehmigt")
else:
    print("Kredit nicht genehmigt")

Dieser Code erstellt einen DataFrame mit den Daten eines neuen Kunden und verwendet das trainierte Modell, um vorherzusagen, ob der Kredit genehmigt werden sollte oder nicht. Das Ergebnis wird dann auf der Konsole ausgegeben.

Fazit

Sie haben Ihr erstes Entscheidungsmodell mit Python erstellt! Das ist zwar ein einfaches Beispiel, aber es demonstriert die grundlegenden Schritte, die beim Aufbau eines KI-Modells erforderlich sind: Datensammlung, Vorbereitung, Training und Vorhersage. Denken Sie daran, dass dies nur der Anfang ist. Es gibt viele fortschrittlichere Techniken und Algorithmen, die Sie erkunden können, um genauere und leistungsfähigere KI-Modelle zu erstellen. Experimentieren Sie weiter, lernen Sie und haben Sie Spaß!

Diese Einführung in das Thema der KI und des maschinellen Lernens soll Ihnen helfen, eine solide Grundlage zu schaffen. Mit weiteren Übungen und Studien können Sie komplexere Modelle entwickeln und zu fortgeschritteneren Themen wie neuronalen Netzen und Deep Learning übergehen. Die Reise der KI ist eine spannende Reise des kontinuierlichen Lernens und Entdeckens.