機器學(xué)習(xí)模型也能分得清菜系嗎？

吃飯的時候會見到很多奇怪的菜名，很多店常常會取一些奇怪的名字來吸引眼球，吃飯的時候基本靠猜，或者……通過食材預(yù)估一下彩色和口味是否符合自己的要求。其實通過食材預(yù)測菜系，用 python 也可以做到！

可以用機器學(xué)習(xí)的方法搭建、訓(xùn)練和測試模型，并通過評估矩陣來選擇最優(yōu)模型，實現(xiàn)原材料與菜系的映射。為了實現(xiàn)預(yù)期的功能，我們需要進行以下三個步驟。

1.加載并分析數(shù)據(jù)

2.建立模型

3.模型預(yù)測

加載并分析數(shù)據(jù)

以意大利菜系為例，我們準(zhǔn)備好以下格式的樣例數(shù)據(jù)。其中“id”代表不同的菜肴種類，“cuisine”則代表菜系名稱。

拿到數(shù)據(jù)后，首先對數(shù)據(jù)進行提取，其中配方節(jié)點如下。其中包含了食譜 id，菜肴類型和成分列表的訓(xùn)練集。

之后將 features 與 target 分別賦值到 train_ingredients 和 train_targets。通過統(tǒng)計分析等操作，可以計算出使用最頻繁的前 10 種原料，并將原料名和出現(xiàn)次數(shù)賦值到 sum_ingredients 字典中。通過樣例數(shù)據(jù)，還能計算出意大利菜系中使用最頻繁的前 10 種原料，并將原料名和出現(xiàn)次數(shù)賦值到 italian_ingredients 字典中。

得到的結(jié)果可以通過 matplotlib 進行可視化。通過數(shù)據(jù)分析，可以得出許多有意思的信息，比如，巴西菜用的最多的食材有洋蔥、橄欖油、檸檬等。而在中國，檸檬顯然不是家常飯的?？?。我們用的最多的食材有醬、芝麻油、玉米淀粉等。小編猜測，老干媽一定對中國排名第一的食材有巨大貢獻！

日本比較有特色的清酒和醬油也都榜上有名。而在寒冷的俄羅斯，黃油則成為餐桌上必不可少的食材，成為戰(zhàn)斗民族每天所需能量的重要來源。英國更不必多說，如果你熱愛黃油、奶油、土豆和牛奶，去英國就是了！

建立模型

建立模型的過程可能稍微有點復(fù)雜，主要分以下四步進行：

1、單詞清洗

2、特征提?。ㄊ褂?a target="_blank">TF_IDF）

3、數(shù)據(jù)分割與重排

調(diào)用 train_test_split 函數(shù)將訓(xùn)練集劃分為新的訓(xùn)練集和驗證集。

4、訓(xùn)練模型

在訓(xùn)練模型的過程中，需要嘗試不同的參數(shù)，挑選出泛化力最好的模型。通過訓(xùn)練模型，可以計算得出驗證集上的得分。得分越高，說明分類準(zhǔn)確度（正確分類的菜肴百分比）越高。這樣，一個優(yōu)秀的模型就大功告成啦！

模型預(yù)測

在測試文件 test.json 中，配方的格式與 train.json 相同，只刪除了美食類型，因為它是我們要預(yù)測的目標(biāo)變量。

總的來說，要實現(xiàn)通過食材預(yù)測菜系的過程并不復(fù)雜，但是如何完善代碼、優(yōu)化模型，使分類體系和匹配程度更高，才是我們要完成的關(guān)鍵目標(biāo)。如果不能做到數(shù)據(jù)的有效清洗和分類，就會出現(xiàn)很多法國菜被誤分為意大利菜這樣的情況。

至于能不能分清川菜和湘菜……可以自己來試一試！這個項目其實來自優(yōu)達學(xué)城 Udacity 的「機器學(xué)習(xí)工程師」納米學(xué)位。

優(yōu)達學(xué)城 Udacity由Google 無人車之父Sebastion Thrun創(chuàng)立，與Google、Facebook、亞馬遜等名企聯(lián)合打造了一系列前沿技術(shù)課程，旨在讓每個人都能用遠低于線下教育的成本學(xué)習(xí)硅谷前沿技術(shù)，最終成為有能力通過技術(shù)改變世界的搶手人才。2017 年8 月，騰訊宣布將 Udacity 納米學(xué)位項目作為內(nèi)部員工學(xué)習(xí)內(nèi)容。

與國內(nèi)其他平臺相比，Udacity 的一大優(yōu)勢是來自硅谷的獨家特色實戰(zhàn)項目。項目難度深入淺出，能夠讓學(xué)習(xí)者快速將所學(xué)運用到實際生活，并直觀看到學(xué)習(xí)成果。下面的部分項目成果示例來自「機器學(xué)習(xí)工程師」和「深度學(xué)習(xí)」納米學(xué)位的正式課程：

項目示例 1訓(xùn)練機器人走迷宮

通過實現(xiàn) Q-learning 算法解決走迷宮問題。同時你有機會將你的算法應(yīng)用在股市中，讓機器學(xué)習(xí)出高收益策略。

項目示例 2貓狗圖像識別

使用深度學(xué)習(xí)方法識別圖片中是貓還是狗。

實戰(zhàn)項目示例 3訓(xùn)練四軸飛行器學(xué)會飛行

設(shè)計一個深度強化學(xué)習(xí)系統(tǒng)，構(gòu)建懲罰函數(shù)、強化學(xué)習(xí)模型、深度學(xué)習(xí)隱藏層幫助四軸飛行器了解每一個動作的優(yōu)劣。你的四軸飛行器將從一系列動作狀態(tài)中，選擇最優(yōu)的策略來平穩(wěn)起飛和降落。

實戰(zhàn)項目示例 3風(fēng)格遷移

深度學(xué)習(xí)模型可以用來完成「風(fēng)格遷移」項目。神經(jīng)網(wǎng)絡(luò)會學(xué)習(xí)這些畫作采用的技巧，并學(xué)會如何自己應(yīng)用這些繪畫技巧。