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

    Klassifikation

    Free

    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

Exercise

Verwerfen von fehlenden Daten

In den nächsten drei Übungen wirst du den Datensatz music_df bereinigen. Du erstellst eine Pipeline, um fehlende Werte zu ergänzen, und ein KNN-Klassifikationsmodell, mit dem du dann vorhersagen kannst, ob ein Lied dem Genre "Rock" angehört.

In dieser Übung verwirfst du fehlende Werte, die weniger als 5 % des Datensatzes ausmachen, und wandelst die Spalte "genre" in ein binäres Merkmal um.

Instructions 1/3

undefined XP
    1
    2
    3
  • Gib die Anzahl der fehlenden Werte für jede Spalte im Datensatz music_df aus, sortiert in aufsteigender Reihenfolge.