ChatGPT教你寫AI包教包會，七段對話寫個辨識模型，準確度最高達99.7%

現在，AI小白甚至不需要看教程，僅憑ChatGPT就可以創建模型。

它不僅幫你找資料集、訓練模型寫程式碼，還能評估準確性、創建程式一步到位。

就有這麼一個25歲小哥，讓ChatGPT幫他創建了個地理位置辨識程序，最後準確率最高達99.7%。

而且各種細節步驟全在，一邊工作還一邊教你學習。

這一波，被ChatGPT感動到了。

更貼心的是，在每次答疑解惑完，ChatGPT都會說上一句：如果你有任何疑問，請告訴我。

具體實作

專案一開始，這位小哥開宗明義：我不想努力了，你可以幫我創建一個AI程式嗎？

以兩個座標為輸入，並預測他們在哪個國家。

而ChatGPT「欣然」接受挑戰，也提醒這位小哥，需要對應資料集，否則模型無法訓練。另外要是還有更多信息，就更好了。

首先，需要找到合適的資料集。

小哥再問ChatGPT，結果它到是二話不說直接丟出了三個供其選擇，介紹連結都有。

從三個資料集來看，自然地球資料集顯然更好，而且還有「邊界」、海岸線等信息，這也意味著要向模型解釋「邊界」概念，分隔標籤。但作為新人而言，第一個資料集與任務相關的資料更多，模型更容易實現，作者最終選擇了第一個資料集。

將這個決定告訴ChatGPT之後，緊接著它就來教你創建DataFrame（資料框架），並給了範例程式碼。

執行成功後，就來到了第二階段：模型訓練。 ChatGPT也二話不說地給了份代碼，甚至還附上了詳細解釋。

程式碼將使用k-NN演算法根據給定的座標來預測國家。 KNN 演算法是一種簡單的演算法，它根據輸入的 k 個最近鄰的大多數類別對輸入進行分類。

在這個例子中，資料被分成訓練集和測試集，比例為80-20。然後用訓練集對 KNN 分類器進行訓練，並用測試集對模型的精確度進行測試。

請記住，這是一個簡單的範例，模型的準確性可能不高。您可以嘗試使用不同的演算法和k的不同值進行實驗，看看是否可以提高模型的準確性.

#在丟棄一些空白資料（沒有座標的國家）之後，首次執行k -NN訓練成功，並有99.7%的準確率。

不過這個結果並不是那麼滿意，作者歸結了這幾個面向的原因：不同國家之間的資料分佈不均；存在一些資料錯誤；偏見等問題。

這樣也來到了第三步：重新評估。

在這段程式碼中，我使用 OpenCage 地理編碼 API 從座標中取得國家資訊。您需要使用API​​金鑰取代 YORBAPI _ KEY 以獲得對 API 的存取權。你可以在 OpenCage 網站上註冊一個免費的API金鑰。

依照說明，作者修改了程式碼，結果顯示出現了很多NA錯誤，相當於只剩下30%資料。不過這個地球確實大部分都是水。 （也沒毛病，Doge）

最終模型準確性下降了一些，有98.6%，但這個結果作者表示很滿意，畢竟只有7個對話回合就幫忙造出來一個AI模型來。

也嘗試了其他演算法

不過這不是小哥的第一次嘗試。第一次談話時，他用了相同來源的較小資料集，需要更多資料集校正，而ChatGPT提供的第一個模型訓練程式碼是邏輯迴歸，只有51%的準確度。

而後它又嘗試了不同的「求解器」（準確率約為65%），以及其他演算法，包括隨機森林和k-NN，準確率分別為93%和92%。

這位25歲小哥在SentinelOne 擔任資深安全研究員，研究和開發惡意軟體偵測邏輯。

他因為對機器學習很有興趣開始自學有一定基礎，在本次對話中其實他特意以小白的身份與ChatGPT對話，結果被強大的效果驚艷到。

最後他也表示，真的在考慮用「他們」而不是「它」來稱呼ChatGPT。

所以AI小白們，ChatGPT快用起來吧。 （Doge）

完整對話：https://sharegpt.com/c/7zLivmp

參考連結：https://xrl1.sh/posts/coordinates-model-with-ChatGPT/

以上是ChatGPT教你寫AI包教包會，七段對話寫個辨識模型，準確度最高達99.7%的詳細內容。更多資訊請關注PHP中文網其他相關文章！