現在，AI小白甚至都不需要看教程，僅憑ChatGPT就可以創建模型。

它不僅幫你找數據集、訓練模型寫代碼，還能評估準確性、創建程序一步到位。

就有這么一個25歲小哥，讓ChatGPT幫他創建了個地理位置識別程序，最終準確率最高達99.7%。

而且各種細節步驟全在，一邊干活還一邊教你學習。

這一波，被ChatGPT感動到了。

更貼心的是，在每次答疑解惑完，ChatGPT都會說上一句：如果你有任何疑問，請告訴我。

具體實現

項目一開始，這位小哥開宗明義：我不想努力了，你可以幫我創建一個AI程序嗎？

以兩個坐標為輸入，并預測他們在哪個國家。

而ChatGPT“欣然”接受挑戰，還提醒這位小哥，需要相應數據集，否則模型無法訓練。另外要是還有更多信息，就更好了。

首先，需要找到合適的數據集。

小哥再問ChatGPT，結果它到是二話不說直接扔出了三個供其選擇，介紹鏈接都有。

從三個數據集來看，自然地球數據集顯然更好，而且還有“邊界”、海岸線等信息，這也就意味著要向模型解釋“邊界”概念，分隔標簽。但作為新人而言，第一個數據集與任務相關的數據更多，模型更容易實現，作者最終選擇了第一個數據集。

將這個決定告訴ChatGPT之后，緊接著它就來教你創建DataFrame（數據框架），并給出了示例代碼。

執行成功后，就來到了第二階段：模型訓練。ChatGPT也二話不說地給了份代碼，甚至還附上了詳細解釋。

該代碼將使用k-NN算法根據給定的坐標來預測國家。KNN 算法是一種簡單的算法，它根據輸入的 k 個最近鄰的大多數類對輸入進行分類。

在這個例子中，數據被分成訓練集和測試集，比例為80-20。然后用訓練集對 KNN 分類器進行訓練，并用測試集對模型的精度進行測試。

請記住，這是一個簡單的示例，模型的準確性可能不高。您可以嘗試使用不同的算法和k的不同值進行實驗，看看是否可以提高模型的準確性.

在丟棄一些空白數據（沒有坐標的國家）之后，首次執行k-NN訓練成功，并有99.7%的準確率。

不過這個結果并不是那么滿意，作者歸結了這幾個方面的原因：不同國家之間的數據分布不均；存在一些數據錯誤；偏見等問題。

這樣也就來到了第三步：重新評估。

在這段代碼中，我使用 OpenCage 地理編碼 API 從坐標中獲取國家信息。您需要使用API密鑰替換 YORBAPI _ KEY 以獲得對 API 的訪問權限。你可以在 OpenCage 網站上注冊一個免費的API密鑰。

按照說明，作者修改了代碼，結果顯示出現了很多NA錯誤，相當于只剩下30%數據。不過這個地球確實大部分都是水。（也沒毛病，Doge）

最終模型準確性下降了一些，有98.6%，但這個結果作者表示很滿意，畢竟只有7個對話回合就幫忙造出來一個AI模型來。

還嘗試了其他算法

不過這不是小哥的第一次嘗試。第一次談話時，他用了同一來源的較小數據集，需要更多數據集校正，而ChatGPT提供的第一個模型訓練代碼是邏輯回歸，只有51%的準確性。

而后它又嘗試了不同的“求解器”（準確率約為65%），以及其他算法，包括隨機森林和k-NN，準確率分別為93%和92%。

這位25歲小哥在SentinelOne 擔任高級安全研究員，研究和開發惡意軟件檢測邏輯。

他因為對機器學習很感興趣開始自學有一定基礎，在本次對話中其實他特意以小白的身份與ChatGPT對話，結果被強大的效果驚艷到。

最后他還表示，真的在考慮用“他們”而不是“它”來稱呼ChatGPT。

所以AI小白們，ChatGPT快用起來吧。（Doge）

完整對話：https://sharegpt.com/c/7zLivmp

參考鏈接：https://xrl1.sh/posts/coordinates-model-with-ChatGPT/