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

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.

Anweisungen

100 XP
  • 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.