文章主题：地理位置识别, ChatGPT, AI程序
白交 发自 凹非寺
量子位 | 公众号 QbitAI
现在，AI小白甚至都不需要看教程，仅凭ChatGPT就可以创建模型。
它不仅帮你找数据集、训练模型写代码，还能评估准确性、创建程序一步到位。
就有这么一个25岁小哥，让ChatGPT帮他创建了个地理位置识别程序，最终准确率最高达99.7%。
而且各种细节步骤全在，一边干活还一边教你学习。
这一波，被ChatGPT感动到了。
更贴心的是，在每次答疑解惑完，ChatGPT都会说上一句：如果你有任何疑问，请告诉我。
具体实现
项目一开始，这位小哥开宗明义：我不想努力了，你可以帮我创建一个AI程序吗？
以两个坐标为输入，并预测他们在哪个国家。
🎉ChatGPT跃跃欲试，自信地向这位爱好者提出，想要充分展示其能力，确实需要相关数据集的助力。📚更何况，如有更多细节信息，会使训练过程更加丰富和深入哦！🔥
首先，需要找到合适的数据集。
小哥再问ChatGPT，结果它到是二话不说直接扔出了三个供其选择，介绍链接都有。
🌟自然地球数据集以其丰富多样的特性，无疑是最佳之选——它包含了详实的”边界”和海岸线信息，为训练过程中的概念解释提供了明确的分隔标签。但对于新手来说，初始数据集往往与任务需求更为贴近，模型适应性更强，这也是作者最终决定采纳的原因。🚀
将这个决定告诉ChatGPT之后，紧接着它就来教你创建DataFrame（数据框架），并给出了示例代码。
执行成功后，就来到了第二阶段：模型训练。ChatGPT也二话不说地给了份代码，甚至还附上了详细解释。
该代码将使用k-NN算法根据给定的坐标来预测国家。KNN 算法是一种简单的算法，它根据输入的 k 个最近邻的大多数类对输入进行分类。
在这个例子中，数据被分成训练集和测试集，比例为80-20。然后用训练集对 KNN 分类器进行训练，并用测试集对模型的精度进行测试。
请记住，这是一个简单的示例，模型的准确性可能不高。您可以尝试使用不同的算法和k的不同值进行实验，看看是否可以提高模型的准确性.
在丢弃一些空白数据（没有坐标的国家）之后，首次执行k-NN训练成功，并有99.7%的准确率。
🎉改写后：虽然成绩不尽人意，但分析背后的因素却引人深思——全球各地的数据分布不平，数据质量参差不齐，以及不可避免的主观偏差。作者诚恳地揭示了这些问题，为后续的研究指明了改进的方向。🌍📊
这样也就来到了第三步：重新评估。
在这段代码中，我使用 OpenCage 地理编码 API 从坐标中获取国家信息。您需要使用API密钥替换 YORBAPI _ KEY 以获得对 API 的访问权限。你可以在 OpenCage 网站上注册一个免费的API密钥。
按照说明，作者修改了代码，结果显示出现了很多NA错误，相当于只剩下30%数据。不过这个地球确实大部分都是水。（也没毛病，Doge）
🎉经过精心优化和调整，模型的表现虽略有下滑，达到了惊人的98.6%！尽管训练轮数相对较少（仅7轮），但这卓越的成果足以令人心动。作者对此结果感到极度满意，毕竟这是对人工智能快速学习能力的一次有力证明。🌟
还尝试了其他算法
🌟曾经的试炼，如今的突破🌟这位不凡的小哥，并非初次挑战。他的首次尝试虽源于同一个数据源，但受限于数据量较小，需要更强大的校准力量。在那次对话中，他用ChatGPT提供的基础模型代码——逻辑回归，展现了51%的准确率，这是他迈向精准之路的第一步印记。每一步都伴随着学习与成长，期待他未来能以更先进的技术，引领我们走向更高的智能境界。记得关注，因为他正在书写未来的篇章！📚💻🚀
🌟在接下来的探索中，这款技术展现了其强大的适应性，尝试了多样的”数学解答者”，其中最突出的一个达到了约65%的精确度。它并未止步于此，还涉足了如随机森林和k-NN等高级算法，这些算法的表现更是亮眼，精准度分别飙至93%和92%，犹如点亮了科技之旅的明灯。
这位25岁小哥在SentinelOne 担任高级安全研究员，研究和开发恶意软件检测逻辑。
他因为对机器学习很感兴趣开始自学有一定基础，在本次对话中其实他特意以小白的身份与ChatGPT对话，结果被强大的效果惊艳到。
最后他还表示，真的在考虑用“他们”而不是“它”来称呼ChatGPT。
所以AI小白们，ChatGPT快用起来吧。（Doge）
完整对话：
https://sharegpt.com/c/7zLivmp参考链接：https://xrl1.sh/posts/coordinates-model-with-ChatGPT/— 完 —
量子位 QbitAI · 头条号签约
AI时代，掌握AI大模型第一手资讯！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
扫码右边公众号，驾驭AI生产力！
