or
Diese Übung ist Teil des Kurses
Bereit, eine echte Machine-Learning-Pipeline zu bauen? Bearbeite Schritt-für-Schritt-Übungen, um Entscheidungsbäume zu erstellen, deine Daten zu splitten und vorherzusagen, welche Patientinnen und Patienten am wahrscheinlichsten an Diabetes erkranken. Zum Schluss baust du Leistungskennzahlen auf, um deine Modelle zu bewerten und Vorhersagen einzuordnen.
Lust auf etwas Süßes? Nutze einen Datensatz mit Schokoladenbewertungen, um Regressionsbäume zu bauen und ihre Leistung mit geeigneten Fehlermassen zu beurteilen. Statistische Unsicherheiten einzelner Train/Test-Splits überwindest du mit süßen Techniken wie Cross-Validation und tauchst dann noch tiefer in den Bias-Variance-Trade-off ein.
Zeit, die Hyperparameter ernsthaft zu tunen und ROC-Kurven (Receiver Operating Characteristic) zu interpretieren. In diesem Kapitel nutzt du die Weisheit der Vielen mit Ensemble-Modellen wie Bagging oder Random Forests und baust Ensembles, die vorhersagen, welche Kreditkartenkundinnen und -kunden am ehesten abwandern.
Bereit für die Königsklasse der baumbasierten Modelle? Setze Gradient Boosting ein, um starke Ensembles zu erstellen, die alles Bisherige übertreffen. Lerne, wie du sie feinabstimmst und verschiedene Modelle vergleichst, um eine Gewinnerlösung für die Produktion auszuwählen.
Aktuelle Übung