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不仅准备好迎接这场竞赛，还在一旁温馨地提示，要想让它大显身手，还需相关数据集的助力哦！📚如果能提供更多细节，那它将更加游刃有余，为你的需求提供更精准的服务呢！💪
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。
🌟当谈到数据集选择时，自然地球数据集以其卓越的表现和丰富的细节脱颖而出，包含诸如’边界’和海岸线等关键元素，这无疑增加了对模型解释的挑战——如何定义和区分这些边界标签。但对于新手来说，初始数据集往往与任务需求更为贴近，模型训练也相对简单。因此，尽管自然地球数据集提供了更多深度，作者还是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。
🌟分析揭示：全球数据不均致不满，误差与偏见交织其中！💡尽管初期报告带来了一些遗憾，但深入探究背后原因，我们发现了一层复杂而微妙的现实。🌍各国间的数据鸿沟，像一面镜子映照出信息的不平衡；📈数据错误犹如暗礁，扰乱了我们的分析进程；🌈而不可避免的偏见，则在无形中扭曲了真相的呈现。这些问题交织在一起，共同影响了最终结果的质量。作者诚恳地呼吁，我们需要更精准、全面的数据来填补这些空白，以期达到真正的共识与理解。🤝让我们共同努力，扫清数据海洋中的障碍，让每个声音都能被听见，每一份努力都被尊重。🌍🚀
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%！尽管训练轮数有限，仅7回合，但这卓越的成果仍让人心悦诚服。作者对此结果感到极度满意，毕竟这是对人工智能技术快速掌握与创新应用的有力证明！🌟
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，并非初次挑战这领域。他的首次尝试虽源于同一优质数据源，但受限于数据量较小，需要更强大的校准力量。那时，他面对的是ChatGPT提供的初始模型——逻辑回归，其表现并不尽如人意，准确率仅为51%的尴尬数字。然而，正是这样的起步，孕育了今日的飞跃。小哥深知，每一次的进步都源于对不足的深刻认识和对提升的执着追求。他以数据为砖，技术为瓦，逐步搭建起更稳固的知识大厦，摒弃了过去的瑕疵，迎接了更先进的解决方案。如今，他已经熟练掌握了更强大的工具和技术，用ChatGPT的强大能力作为垫脚石，跃升至更高的精度殿堂。他的故事，不仅是一次技能的磨砺，更是对创新和进步的生动诠释。SEO优化后的表达：🌟数据驱动的成长之路🌟这位经验丰富的探索者，曾经在初次尝试时，以较小但优质的数据集为起点，面对逻辑回归51%的准确率挑战。尽管那时的数据校准需求强烈，但他并未因此止步，反而以此为契机，深化对技术的理解。如今，他已熟练掌握ChatGPT的强大工具，并将其转化为提升精度的利器。他的故事，不仅是一次技术上的突破，更是一个不断学习和进步的典范，展现了在数据与创新的碰撞中，如何攀越高峰，实现质的飞跃。
🌟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！
