or
Toto cvičení je součástí kurzu
Připrav se na sestavení skutečného pipeline strojového učení! Krok za krokem se naučíš vytvářet rozhodovací stromy, rozdělovat data a předpovídat, u kterých pacientů je nejvyšší riziko cukrovky. A na závěr sestavíš metriky výkonu, pomocí kterých zhodnotíš své modely a ověříš přesnost předpovědí.
Máš chuť na něco sladkého? Použij datovou sadu hodnocení čokolád k sestavení regresních stromů a vyhodnoť jejich výkon pomocí vhodných chybových měr. Překonáš statistické nejistoty spojené s jednorázovým rozdělením dat na trénovací a testovací sadu pomocí technik, jako je křížová validace, a pak se ponoříš ještě hlouběji – do kompromisu mezi vychýlením a rozptylem.
Čas soustředit se vážně na ladění hyperparametrů a interpretaci křivek ROC (receiver operating characteristic). V této kapitole využiješ kolektivní moudrost ansámblových modelů, jako je bagging nebo náhodné lesy, a sestavíš ansámbly pro předpověď toho, kteří zákazníci kreditních karet s největší pravděpodobností odejdou.
Připrav se na špičku stromových modelů! Aplikuj gradientní boosting k vytvoření výkonných ansámblů, které předčí vše, co jsi dosud viděl/a nebo sestavil/a. Naučíš se jejich jemné ladění a také to, jak porovnávat různé modely a vybrat ten nejlepší pro nasazení do produkce.
Aktuální cvičení