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

Ubung

Analyse der Metriken der Kreuzvalidierung

Nachdem du die Kreuzvalidierung durchgeführt hast, ist es an der Zeit, die Ergebnisse zu analysieren.

Du wirst den Mittelwert, die Standardabweichung und das 95-%-Konfidenzintervall für die cv_results-Daten anzeigen, die aus der vorherigen Übung bereits geladen wurden.

numpy wurde für dich als np importiert.

Anweisungen

100 XP
  • Berechne und drucke den Mittelwert der Ergebnisse.
  • Berechne und drucke die Standardabweichung von cv_results.
  • Zeige das 95-%-Konfidenzintervall für deine Ergebnisse mit np.quantile() an.