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。
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。
还尝试了其他算法
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/
