1. Lernen
    2. /
  2. Kurse
    3. /
  3. Überwachtes Lernen mit scikit-learn
  • 1

    Klassifikation

    Kostenlos

    In diesem Kapitel lernst du Klassifikationsprobleme kennen und erfährst, wie du sie mit überwachten Lerntechniken lösen kannst. Du lernst, wie du Daten in Trainings- und Testgruppen aufteilst, ein Modell anpasst, Vorhersagen machst und die Genauigkeit auswertest. Du entdeckst den Zusammenhang zwischen Modellkomplexität und Leistung und wendest das Gelernte auf einen Abwanderungsdatensatz an, in dem du den Abwanderungsstatus der Kunden eines Telekommunikationsunternehmens klassifizierst.

  • 2

    Regression

    In diesem Kapitel wirst du in die Regression eingeführt und erstellst Modelle zur Vorhersage von Umsatzwerten anhand eines Datensatzes über Werbeausgaben. Du lernst die Mechanismen der linearen Regression und gängige Leistungskennzahlen wie das Bestimmtheitsmaß und die Quadratwurzel des mittleren quadratischen Fehlers kennen. Du führst eine k-fache Kreuzvalidierung durch und wendest die Regularisierung auf Regressionsmodelle an, um das Risiko einer Überanpassung zu verringern.

  • 3

    Feinabstimmung deines Modells

    Nachdem du Modelle trainiert hast, lernst du jetzt, wie du sie auswerten kannst. In diesem Kapitel lernst du verschiedene Metriken und eine Visualisierungstechnik kennen, um die Leistung von Klassifikationsmodellen mit scikit-learn zu analysieren. Außerdem lernst du, wie du Klassifikations- und Regressionsmodelle mithilfe von Hyperparameter-Tuning optimierst.

  • 4

    Vorverarbeitung und Pipelines

    Lerne, wie du fehlende Werte ausgleichst, kategoriale Daten in numerische Werte umwandelst, Daten skalierst, mehrere überwachte Lernmodelle gleichzeitig auswertest und Pipelines erstellst, um deinen Workflow zu optimieren!

Initializing

Übung

Visualisierung der Leistung von Regressionsmodellen

Nachdem du nun gesehen hast, wie du mehrere Modelle auswerten kannst, wirst du drei Regressionsmodelle erstellen, um die "energy" eines Songs vorherzusagen.

Dem Datensatz music_df wurden Dummy-Variablen für "genre" hinzugefügt. Außerdem wurden Arrays für die Merkmale und das Ziel erstellt, die in X_train, X_test, y_train und y_test aufgeteilt wurden.

Folgendes wurde für dich importiert: LinearRegression, Ridge, Lasso, cross_val_score und KFold.

Anweisungen

100 XP
  • Schreibe eine For-Schleife mit model als Iterator und model.values() als iterierbares Element.
  • Führe mithilfe des Modells eine Kreuzvalidierung mit den Trainingsmerkmalen und dem Zielarray der Trainingsmenge durch und setze cv gleich dem KFold-Objekt.
  • Füge die Ergebnisse der Kreuzvalidierung des Modells an die Ergebnisliste an.
  • Erstelle ein Kastendiagramm, das die Ergebnisse anzeigt, wobei die Beschriftungen der x-Achse die Namen der Modelle sind.