原文标题：《ChatGPT 教你写 AI 包教包会，7 段对话写个识别模型，准确度最高达 99.7%》
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。
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。
而 ChatGPT“欣然”接受挑战，还提醒这位小哥，需要相应数据集，否则模型无法训练。另外要是还有更多信息，就更好了。
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。
从三个数据集来看，自然地球数据集显然更好，而且还有“边界”、海岸线等信息，这也就意味着要向模型解释“边界”概念，分隔标签。但作为新人而言，第一个数据集与任务相关的数据更多，模型更容易实现，作者最终选择了第一个数据集。
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。
不过这个结果并不是那么满意，作者归结了这几个方面的原因：不同国家之间的数据分布不均；存在一些数据错误；偏见等问题。
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）
最终模型准确性下降了一些，有 98.6%，但这个结果作者表示很满意，毕竟只有 7 个对话回合就帮忙造出来一个 AI 模型来。
不过这不是小哥的第一次尝试。第一次谈话时，他用了同一来源的较小数据集，需要更多数据集校正，而 ChatGPT 提供的第一个模型训练代码是逻辑回归，只有 51% 的准确性。
而后它又尝试了不同的“求解器”（准确率约为 65%），以及其他算法，包括随机森林和 k-NN，准确率分别为 93% 和 92%。
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/
本文来自微信公众号：量子位 （ID：QbitAI），作者：白交
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。