Metriky výkonu pro regresní stromy

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Machine Learning with Tree-Based Models in R

SkillTag.level.beginnerSkillTag.label

4.9+

263 reviews

Začněte kurz zdarma

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.

Exercise 1: Vítej v kurzu!Exercise 2: Proč stromové metody?Exercise 3: Zadej specifikaci stromu Exercise 4: Natrénuj model Exercise 5: Jak pěstovat svůj strom Exercise 6: Rozdělení na trénovací a testovací sadu Exercise 7: Vyhýbání se nerovnoměrnému rozložení tříd Exercise 8: Od nuly k hrdinovi Exercise 9: Předpovídání a vyhodnocování Exercise 10: Vytváření predikcí Exercise 11: Rozluštění matice Exercise 12: Jsou tvoje předpovědi správné?

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.

Exercise 1: Spojité výstupy Exercise 2: Trénování regresního stromu Exercise 3: Předpovídání nových hodnot Exercise 4: Prozkoumej výstup modelu Exercise 5: Metriky výkonu pro regresní stromy

Aktuální cvičení

Exercise 6: Výkon na trénovacích datech Exercise 7: Výkon na testovacích datech Exercise 8: Větší chyba, větší trest Exercise 9: Křížová validace Exercise 10: Vytvoření skupin (folds)Exercise 11: Natrénuj foldy Exercise 12: Vyhodnoť záhyby Exercise 13: Kompromis mezi biasem a variancí Exercise 14: Říkej věcem pravým jménem Exercise 15: Úprava složitosti modelu Exercise 16: Výkon na trénovacích a testovacích datech

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.

Exercise 1: Ladění hyperparametrů Exercise 2: Vytvoření tuningové mřížky Exercise 3: Ladění na mřížce Exercise 4: Vyber vítěze Exercise 5: Další metriky modelu Exercise 6: Výpočet specificity Exercise 7: Vykresli ROC křivku Exercise 8: Plocha pod ROC křivkou Exercise 9: Bagging stromů Exercise 10: Vytvoř model bagged trees Exercise 11: In-sample ROC a AUC Exercise 12: Zkontroluj přeučení Exercise 13: Random forest Exercise 14: Bagged trees vs. random forest Exercise 15: Důležitost proměnných

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.

Exercise 1: Úvod do boostingu Exercise 2: Bagging vs. boosting Exercise 3: Specifikace boostovaného ensemblu Exercise 4: Gradientní boosting Exercise 5: Trénování boostovaného ensemblu Exercise 6: Vyhodnocení ansámblu Exercise 7: Porovnání s jediným klasifikátorem Exercise 8: Optimalizace posíleného ensemblu Exercise 9: Příprava ladění Exercise 10: Samotné ladění Exercise 11: Finalizace modelu Exercise 12: Porovnání modelů Exercise 13: Porovnání AUC Exercise 14: Zobrazení ROC křivek Exercise 15: Závěr