Чи можна передбачити ціну будинку за його характеристиками? Визначити, хто з клієнтів може піти? Знайти схожі групи покупців?
В AI-лабораторії PITMA ти можеш зібрати такий експеримент із блоків: обрати дані, налаштувати їхню обробку, вибрати модель і перевірити результат.
Писати код для побудови схеми не потрібно. Лабораторія перетворює її на Python-ноутбук, який ти запускаєш у Google Colab.
У цьому туторіалі пройдемо весь шлях на прикладі прогнозування ціни житла.
Обери, яку задачу хочеш розв’язати
У бета-версії лабораторія працює з табличними даними. Це таблиці, де кожен рядок описує окремий об’єкт, а колонки — його характеристики. Наприклад, один рядок — один будинок, а колонки — площа, кількість кімнат і ціна.
Доступні три типи задач:
| Тип задачі | Що робить модель | Приклад |
|---|---|---|
| Класифікація | Визначає категорію | Клієнт залишиться чи піде |
| Регресія | Передбачає число | Скільки коштує будинок |
| Кластеризація | Знаходить схожі групи | Які сегменти покупців є в даних |
Для прогнозування ціни нам потрібна регресія, адже результат — число.
ДжемиПроєктиСпільнотаAI-лабораторія BETANO-CODE РЕДАКТОР
ДЛЯ ML ПРОЄКТІВ
Будуй ML-проєкти блоками без коду: підготуй дані, навчай, оцінюй та візуалізуй результат.
Почни з готового пресета
На головній сторінці натисни «До пресетів», обери «Передбачити число», а потім — «Відкрити пресет».
Пресет — це готова схема експерименту. Потрібні блоки вже додані та з’єднані, тому ти можеш зосередитися на даних і налаштуваннях.
У пресеті можна змінювати датасет і доступні параметри карток. Тип задачі та структура схеми закріплені: наприклад, пресет регресії не перетвориться на класифікацію через випадкове перемикання.
Для першого знайомства це зручний старт. Власну схему з довільними блоками можна буде зібрати через «Створити експеримент».
Готові схеми
Визначити категорію
Від квітки чи відтік клієнта? Навчи модель розпізнавати класи.
Передбачити число
Ціна, попит чи інший показник? Порівняй прогноз із фактом.
Знайти схожі групи
Об’єднай схожі об’єкти та відкрий структуру даних без готових відповідей.
Обери дані про житло
У картці «Дані» натисни «Обрати датасет». Відкриється каталог із пошуком і готовими наборами даних для твоєї задачі.
Знайди «Ціни житла» та відкрий його.
Лабораторія покаже попередній перегляд таблиці. Якщо в наборі кілька CSV-файлів, спочатку потрібно вибрати потрібну таблицю.
Тут є два важливі поняття:
- Що передбачаємо? — колонка з відповіддю, яку модель має навчитися прогнозувати. У нашому прикладі це
price, тобто ціна. - Ознаки для навчання — характеристики, за якими модель робить прогноз: наприклад, площа та кількість спалень.
Для першого запуску залиш запропонований вибір ознак. Спочатку подивися на кілька рядків таблиці, щоб зрозуміти, які дані отримає модель.
Натисни «Обрати ці дані».
Завантажувати таблицю на свій комп’ютер не потрібно: під час запуску ноутбука вона підтягнеться в Colab автоматично. У бета-версії каталог містить добірку готових датасетів із Kaggle.
Обери дані для експерименту
Підібрані таблиці з перевіреною ціллю для цієї задачі.
Ціни житла
Передбач ціну будинку за його характеристиками.
Перші 6 рядків · перевірено 545 рядків| priceЧисло | areaЧисло | bedroomsЧисло | bathroomsЧисло | storiesЧисло | mainroadКатегорія | guestroomКатегорія |
|---|---|---|---|---|---|---|
| 13300000 | 7420 | 4 | 2 | 3 | yes | no |
| 12250000 | 8960 | 4 | 4 | 4 | yes | no |
| 12250000 | 9960 | 3 | 2 | 2 | yes | no |
| 12215000 | 7500 | 4 | 2 | 2 | yes | no |
| 11410000 | 7420 | 4 | 1 | 2 | yes | yes |
| 10850000 | 7500 | 3 | 3 | 1 | yes | no |
Розберися, що робить схема
Кожна картка відповідає за окремий крок. Лінії між картками показують, як дані переходять від одного кроку до наступного.
У пресеті регресії ти побачиш такі блоки:
| Блок | Навіщо він потрібен |
|---|---|
| Дані | Визначає таблицю, ціль і ознаки |
| Train / test | Розділяє приклади для навчання та перевірки |
| Пропуски | Налаштовує заповнення порожніх значень |
| Категорії → числа | Перетворює текстові категорії на числове представлення |
| Scaler | Приводить числові ознаки до спільного масштабу |
| Модель | Визначає алгоритм навчання |
| Метрики | Вимірює якість прогнозу |
| Дослідити дані | Допомагає розглянути таблицю та побудувати візуалізацію |
Блок «Дослідити дані» отримує таблицю окремою гілкою. Це дозволяє досліджувати початкові дані паралельно з навчанням моделі.
Параметри змінюються безпосередньо в картках. Щоб краще роздивитися схему, наблизь холст або натисни «Повний екран».
Налаштуй перший експеримент
Для першого запуску достатньо кількох налаштувань.
У картці «Train / test» залиш частку test 25%. Це означає, що модель навчатиметься на 75% прикладів, а перевірятиметься на решті 25%, яких вона не бачила під час навчання.
Параметр seed визначає випадковий поділ. Поки залиш його незмінним — це допоможе надалі порівнювати моделі на тій самій тестовій вибірці.
У картці «Модель» залиш Linear Regression. Це буде перший результат, із яким ти зможеш порівняти інші алгоритми.
У картці «Метрики» залиш:
- MAE — середню абсолютну помилку в одиницях ціни з датасету. Менше — краще.
- RMSE — показник, який сильніше реагує на великі помилки. Менше — краще.
- R² — показник якості відносно прогнозу середнім значенням. Ближче до 1 — краще; він також може бути від’ємним.
Не потрібно відразу змінювати кожен параметр. Спочатку отримай перший результат, а потім перевіряй окремі ідеї.
Окрема вибірка для чесної перевірки
Обробка навчається тільки на train.
Навчання на train, прогноз на test
Обери кілька показників для одного прогнозу
Результати — у Colab і вкладці «Результати» після імпорту.
Додай запитання до даних
У картці «Дослідити дані» обери, що хочеш побачити.
Наприклад, щоб дізнатися, які ціни найчастіше трапляються в таблиці:
- У полі «Що дослідити?» обери «Як розподілені числа?».
- У полі «Що показати?» обери
price.
Після запуску отримаєш гістограму: по горизонталі будуть значення ціни, а по вертикалі — кількість будинків у відповідних діапазонах.
Можна поставити й інше запитання: «Як пов’язані дві ознаки?». Наприклад, обрати площу area для осі X та ціну price для осі Y. На такому графіку кожна точка представлятиме один будинок.
Графіки з’являються після виконання ноутбука.
Обери запитання — побач графік у результатах
Графік з’явиться після виконання у Colab. Жодних вигаданих результатів.
Відкрий і запусти експеримент у Colab
Коли налаштування завершені, натисни «Відкрити у Colab».
Якщо схема потребує виправлень, лабораторія відкриє підказки. Перевір зазначені картки та заповни відсутні налаштування.
Під час першого відкриття може знадобитися підключення Google-акаунта та доступ до створених PITMA файлів Google Drive. Після підключення повернися до експерименту й повторно натисни «Відкрити у Colab», якщо ноутбук ще не відкрився.
PITMA підготує ноутбук із твоєю схемою та параметрами. Попередньо завантажувати й вручну переносити його в Colab не потрібно.
У Colab запусти «Виконати все» / «Run all» та дочекайся завершення всіх комірок. Під час виконання завантажаться дані, відбудеться їхня обробка, навчання моделі та розрахунок результатів.
Кожній картці відповідає окрема комірка з кодом. Так ти можеш поступово розібратися, як знайомі блоки працюють у Python.
Прогноз числового значення
Кожна картка — окрема комірка. Виконуй зверху вниз. Обробка навчається лише на train.
# Бібліотеки для таблиць, графіків і збереження результатів
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from IPython.display import display
import json
import io
import base64
reports = {}# Дані
import kagglehub
from pathlib import Path
dataset_folder = kagglehub.dataset_download(
"yasserh/housing-prices-dataset/versions/1"
)
data = pd.read_csv(Path(dataset_folder) / "Housing.csv")Поверни результати в PITMA
Після завершення запуску:
- Завантаж із Colab виконаний ноутбук у форматі
.ipynbзі збереженими результатами комірок. - Повернися до свого експерименту в PITMA.
- Відкрий вкладку «Результати».
- Натисни «Додати результат» та обери цей файл.
На вкладці з’являться отримані метрики та налаштовані візуалізації.
Результати не переносяться з Colab автоматично — для цього потрібно додати виконаний ноутбук. Якщо потрібна комірка завершилася помилкою, спочатку виправ її та повтори запуск у Colab.
Що показав експеримент?
Виконай ноутбук у Colab, збережи .ipynb та додай його сюди.
Тут будуть метрики й графіки
Обери дані та запусти експеримент.
Продовжити у ColabПеревір наступну ідею
Тепер у тебе є перший результат. Спробуй відповісти на запитання: чи буде інша модель точнішою на цих самих даних?
Повернися до картки «Модель», зміни Linear Regression на Random Forest і повтори запуск через Colab. Додай новий виконаний ноутбук у «Результати».
Для порівняння залиш незмінними датасет, ознаки, частку test і seed. Так різниця в результатах буде пов’язана насамперед зі зміною моделі.
Перемикай запуски на вкладці результатів і порівнюй помилки. Менший MAE означає точніший прогноз у середньому, але варто також подивитися на RMSE: він допоможе помітити великі промахи.
Один запуск не гарантує, що модель добре працюватиме з будь-якими новими даними. Це результат конкретного експерименту, який можна досліджувати й покращувати.
Навчання на train, прогноз на test
Коли захочеш зібрати власну схему
На головній сторінці натисни «Створити експеримент». У картці «Дані» спочатку обери тип задачі, потім — датасет.
Додавай блоки з бібліотеки або через картки-підказки на холсті. Щоб з’єднати дві картки, натисни вихід першої, а потім вхід другої. Також можна перетягнути з’єднання між точками.
Для класифікації та регресії основний шлях такий:
Дані → Train / test → потрібна обробка → Модель → Метрики.
Для кластеризації замість Train / test використовується «Вибірка для кластерів»: модель шукає групи без готової цільової відповіді.
Блок «Дослідити дані» підключай до таблиці, а «Якість прогнозу» — до виходу моделі.
Готові таблиці для твоєї задачі
Окрема вибірка для чесної перевірки
Обробка навчається тільки на train.
Де зберігається робота
Експерименти доступні у вкладці «Мої експерименти». У поточній бета-версії чернетки та імпортовані результати зберігаються в цьому браузері й не синхронізуються автоматично між пристроями. Ноутбук, відкритий через інтеграцію, зберігається у твоєму Google Drive.
Почни з одного запитання
Обери готовий пресет, запусти перший експеримент і зміни один параметр. Порівняй, що сталося з результатом.
Так ти поступово навчишся бачити зв’язок між даними, налаштуваннями моделі та якістю прогнозу — і зможеш перейти від готової схеми до власних ML-проєктів.