Binární klasifikace

Existují dva typy řízeného učení—klasifikace a regrese. Binární klasifikace slouží k predikci cílové proměnné, která má právě dva možné štítky, obvykle reprezentované numericky jako nula nebo jedna.

Níže vidíš výstup metody .head() datasetu churn_df. Zbytek dat obsahuje podobné hodnoty.

   account_length  total_day_charge  total_eve_charge  total_night_charge  total_intl_charge  customer_service_calls  churn
0             101             45.85             17.65                9.64               1.22                       3      1
1              73             22.30              9.05                9.98               2.75                       2      0
2              86             24.62             17.53               11.49               3.13                       4      0
3              59             34.73             21.02                9.66               3.24                       1      0
4             129             27.42             18.75               10.11               2.59                       1      0

Podívej se na tato data – který sloupec by mohl být cílovou proměnnou pro binární klasifikaci?

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

SkillTag.level.intermediateSkillTag.label

4.8+

8809 reviews

Začněte kurz zdarma

V této kapitole se seznámíš s klasifikačními úlohami a naučíš se je řešit pomocí technik supervised learning. Zjistíš, jak rozdělit data na trénovací a testovací sady, natrénovat model, vytvářet predikce a vyhodnocovat přesnost. Prozkoumáš vztah mezi složitostí modelu a jeho výkonem – a vše si vyzkoušíš na datasetu odchodu zákazníků, kde budeš klasifikovat, zda zákazníci telefonního operátora od služby odejdou.

Exercise 1: Machine learning se scikit-learn Exercise 2: Binární klasifikace

Aktuální cvičení

Exercise 3: Postup práce při supervised learningu Exercise 4: Výzva klasifikace Exercise 5: k-Nearest Neighbors: trénování modelu Exercise 6: k-Nearest Neighbors: Předpověď Exercise 7: Měření výkonu modelu Exercise 8: Rozdělení na trénovací a testovací sadu + výpočet přesnosti Exercise 9: Přetrénování a podtrénování Exercise 10: Vizualizace složitosti modelu

V této kapitole se seznámíš s regresí a sestavíš modely pro predikci hodnot prodejů pomocí datasetu o výdajích na reklamu. Naučíš se, jak funguje lineární regrese, a poznáš běžné metriky výkonu jako R-squared a střední kvadratická chyba. Procvičíš si k-fold křížovou validaci a na regresní modely aplikuješ regularizaci, aby se snížilo riziko přetrénování.

Exercise 1: Úvod do regrese Exercise 2: Vytváření příznaků Exercise 3: Sestavení modelu lineární regrese Exercise 4: Vizualizace modelu lineární regrese Exercise 5: Základy lineární regrese Exercise 6: Trénování a predikce pro regresi Exercise 7: Výkon regresního modelu Exercise 8: Křížová validace Exercise 9: Křížová validace pro R-squared Exercise 10: Analýza metrik křížové validace Exercise 11: Regularizovaná regrese Exercise 12: Regularizovaná regrese: Ridge Exercise 13: Lasso regrese pro výběr důležitých příznaků

Nyní, když máš natrénované modely, se naučíš, jak je vyhodnocovat. V této kapitole se seznámíš s několika metrikami a vizualizační technikou pro analýzu výkonu klasifikačních modelů v scikit-learn. Také se naučíš optimalizovat klasifikační i regresní modely pomocí ladění hyperparametrů.

Exercise 1: Jak dobrý je tvůj model?Exercise 2: Výběr primární metriky Exercise 3: Hodnocení klasifikátoru pro předpověď diabetu Exercise 4: Logistická regrese a ROC křivka Exercise 5: Sestavení modelu logistické regrese Exercise 6: ROC křivka Exercise 7: ROC AUC Exercise 8: Ladění hyperparametrů Exercise 9: Ladění hyperparametrů pomocí GridSearchCV Exercise 10: Ladění hyperparametrů pomocí RandomizedSearchCV

Nauč se doplňovat chybějící hodnoty, převádět kategorická data na číselná, škálovat data, vyhodnocovat více modelů supervised learning najednou a sestavovat pipeline, které ti zefektivní celý pracovní postup!

Exercise 1: Předzpracování dat Exercise 2: Vytváření dummy proměnných Exercise 3: Regrese s kategorickými příznaky Exercise 4: Práce s chybějícími daty Exercise 5: Odstranění chybějících hodnot Exercise 6: Pipeline pro predikci žánru písně: I Exercise 7: Pipeline pro predikci žánru písně: II Exercise 8: Centrování a škálování Exercise 9: Centrování a škálování pro regresi Exercise 10: Centrování a škálování pro klasifikaci Exercise 11: Vyhodnocení více modelů Exercise 12: Vizualizace výkonu regresních modelů Exercise 13: Predikce na testovací sadě Exercise 14: Vizualizace výkonu klasifikačního modelu Exercise 15: Pipeline pro předpovídání popularity písní Exercise 16: Gratulujeme!