ตัวอย่างที่ 1 ข้อมูล
การเก็บรวบรวมข้อมูล TensorFlow
ข้อมูลที่ใช้ในตัวอย่างที่ 1 เป็นรายการออบเจ็กต์รถยนต์ดังนี้:
{
"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"
},
ชุดข้อมูลเป็นไฟล์ JSON ที่เก็บไว้ที่:
https://storage.googleapis.com/tfjs-tutorials/carsData.json
ข้อมูลการทำความสะอาด
เมื่อเตรียมสำหรับแมชชีนเลิร์นนิง สิ่งสำคัญคือต้อง:
- ลบข้อมูลที่คุณไม่ต้องการ
- ทำความสะอาดข้อมูลจากข้อผิดพลาด
ลบข้อมูล
วิธีที่ชาญฉลาดในการลบข้อมูลที่ไม่จำเป็น คือดึงเฉพาะข้อมูลที่คุณต้องการ
ซึ่งสามารถทำได้โดยวนซ้ำ (วนซ้ำ) ข้อมูลของคุณด้วยฟังก์ชันแผนที่
ฟังก์ชันด้านล่างรับวัตถุและส่งคืนเฉพาะ x และ yจากคุณสมบัติ แรงม้า และ Miles_per_Gallon ของวัตถุ:
function extractData(obj) {
return {x:obj.Horsepower, y:obj.Miles_per_Gallon};
}
ลบข้อผิดพลาด
ชุดข้อมูลส่วนใหญ่มีข้อผิดพลาดบางประเภท
วิธีที่ชาญฉลาดในการขจัดข้อผิดพลาดคือการใช้ฟังก์ชันตัวกรองเพื่อกรองข้อผิดพลาด
รหัสด้านล่างคืนค่าเท็จหากคุณสมบัติ (x หรือ y) มีค่าว่าง:
function removeErrors(obj) {
return obj.x != null && obj.y != null;
}
กำลังดึงข้อมูล
เมื่อคุณมีฟังก์ชันแผนที่และตัวกรองพร้อมแล้ว คุณสามารถเขียนฟังก์ชันเพื่อดึงข้อมูลได้
async function runTF() {
const jsonData = await fetch("cardata.json");
let values = await jsonData.json();
values = values.map(extractData).filter(removeErrors);
}
การวางแผนข้อมูล
นี่คือรหัสบางส่วนที่คุณสามารถใช้ในการลงจุดข้อมูล:
function tfPlot(values, surface) {
tfvis.render.scatterplot(surface,
{values:values, series:['Original','Predicted']},
{xLabel:'Horsepower', yLabel:'MPG'});
}