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 不仅准备好应战，还在一旁温馨地提示，要想让它大展拳脚，还需相关数据集的助力哦！如果能提供更多细节，那就太完美了！📚💪
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，无疑是最佳选择——它包含了详实的”边界”和海岸线信息，为理解复杂的分隔标签概念提供了基础。但对于新手来说，初始数据集与任务需求的匹配度更高，模型训练起来也更为简便。因此，在权衡之下，作者明智地选择了第一个数据集作为起点。🚀
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。
原文改写：虽然成绩不尽人意，但分析背后的因素却揭示了几个关键挑战：各国间数据的不均衡分布，数据的潜在误差，以及不可避免的主观偏差。每一点都值得深入探讨和改进，以提升整体的准确性和公正性。🌟📊
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。作者对此结果感到由衷的喜悦，毕竟这是对人工智能技术快速发展的有力证明。🌟
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。
🌟在接下来的探索中，这款技术展现了其强大的适应性，不断尝试并优化各类”计算器”。它首先着力于提升精确度，通过一系列迭代，成功实现了约65%的准确性，这是一个显著的进步。接着，它进一步拓宽了算法库，引入了随机森林和k-NN这两种高精度工具，分别达到了93%和92%的惊人准确率，为解决方案增添了无尽可能。
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！
