Regression mit kategorialen Merkmalen

Nachdem du music_dummies mit binären Merkmalen für das Genre jedes Songs erstellt hast, ist es an der Zeit, ein Ridge-Regressionsmodell zu erstellen, um die Popularität der Lieder vorherzusagen.

music_dummies wurde für dich vorgeladen, zusammen mit Ridge, cross_val_score, numpy als np und einem KFold-Objekt, das als kf gespeichert ist.

Das Modell wird durch die Berechnung des durchschnittlichen RMSE bewertet, aber zuerst musst du die Punktzahlen für jede Teilmenge in positive Werte umwandeln und ihre Quadratwurzel ziehen. Diese Kennzahl zeigt den durchschnittlichen Fehler der Vorhersagen unseres Modells und kann daher mit der Standardabweichung des Zielwerts ("popularity") verglichen werden.

Diese Übung ist Teil des Kurses

Überwachtes Lernen mit scikit-learn

Anleitung zur Übung

Erstelle X mit allen Merkmalen in music_dummies sowie y bestehend aus der Spalte "popularity".
Instanziiere ein Ridge-Regressionsmodell und setze alpha auf 0.2.
Führe eine Kreuzvalidierung für X und y durch, indem du das Ridge-Modell verwendest, cv gleich kf setzt und den negativen mittleren quadratischen Fehler als Bewertungsmaßstab verwendest.
Drucke die RMSE-Werte, indem du negative scores-Werte in positive umwandelst und die Quadratwurzel ziehst.

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

# Create X and y
X = ____
y = ____

# Instantiate a ridge model
ridge = ____

# Perform cross-validation
scores = ____(____, ____, ____, cv=____, scoring="____")

# Calculate RMSE
rmse = np.____(____)
print("Average RMSE: {}".format(np.mean(rmse)))
print("Standard Deviation of the target array: {}".format(np.std(y)))

Bearbeiten und Ausführen von Code

Diese Übung ist Teil des Kurses

Überwachtes Lernen mit scikit-learn

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

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.

Exercise 1: Maschinelles Lernen mit scikit-learn Exercise 2: Binäre Klassifikation Exercise 3: Der Arbeitsablauf beim überwachten Lernen Exercise 4: Die Herausforderung der Klassifikation Exercise 5: Nächste-Nachbarn-Klassifikation: Anpassung Exercise 6: Nächste-Nachbarn-Klassifikation: Vorhersage Exercise 7: Messung der Modellleistung Exercise 8: Training/Test-Zerlegung und Berechnung der Korrektklassifikationsrate Exercise 9: Überanpassung und Unteranpassung Exercise 10: Modellkomplexität visualisieren

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.

Exercise 1: Einführung in die Regression Exercise 2: Merkmale erstellen Exercise 3: Aufbau eines linearen Regressionsmodells Exercise 4: Visualisierung eines linearen Regressionsmodells Exercise 5: Die Grundlagen der linearen Regression Exercise 6: Anpassung und Vorhersage für Regression Exercise 7: Leistungsbewertung der Regression Exercise 8: Kreuzvalidierung Exercise 9: Kreuzvalidierung für Bestimmtheitsmaß Exercise 10: Analyse der Metriken der Kreuzvalidierung Exercise 11: Regularisierte Regression Exercise 12: Regularisierte Regression: Ridge Exercise 13: Lasso-Regression für die Bedeutung von Merkmalen

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.

Exercise 1: Wie gut ist dein Modell?Exercise 2: Entscheidung für eine primäre Metrik Exercise 3: Bewertung eines Klassifikators zur Diabetesvorhersage Exercise 4: Logistische Regression und die ROC-Kurve Exercise 5: Aufbau eines logistischen Regressionsmodells Exercise 6: Die ROC-Kurve Exercise 7: ROC AUC Exercise 8: Hyperparameter-Tuning Exercise 9: Hyperparameter-Tuning mit GridSearchCV Exercise 10: Hyperparameter-Tuning mit RandomizedSearchCV

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!

Exercise 1: Daten vorverarbeiten Exercise 2: Dummy-Variablen erstellen Exercise 3: Regression mit kategorialen Merkmalen

Aktuelle Übung

Exercise 4: Umgang mit fehlenden Daten Exercise 5: Verwerfen von fehlenden Daten Exercise 6: Pipeline zur Vorhersage von Songgenres: Teil 1 Exercise 7: Pipeline zur Vorhersage von Songgenres: Teil 2 Exercise 8: Zentrieren und Skalieren Exercise 9: Zentrieren und Skalieren für die Regression Exercise 10: Zentrieren und Skalieren für die Klassifikation Exercise 11: Mehrere Modelle evaluieren Exercise 12: Visualisierung der Leistung von Regressionsmodellen Exercise 13: Vorhersage für die Testmenge Exercise 14: Visualisierung der Leistung von Klassifikationsmodellen Exercise 15: Pipeline zur Vorhersage der Songpopularität Exercise 16: Glückwunsch!