1. Lernen
    2. /
  2. Kurse
    3. /
  3. Clasificadores lineales en Python
  • 1

    Aplicación de la regresión logística y SVM

    Kostenlos

    En este capítulo aprenderá los fundamentos de la aplicación de la regresión logística y las máquinas de vectores soporte (SVMs) a los problemas de clasificación. Utilizará la biblioteca scikit-learn para ajustar modelos de clasificación a datos reales.

  • 2

    Funciones de pérdida

    En este capítulo descubrirá el marco conceptual de la regresión logística y SVMs. Esto le permitirá profundizar en el funcionamiento interno de estos modelos.

  • 3

    Regresión logística

    En este capítulo profundizará en los detalles de la regresión logística. Aprenderá todo sobre la regularización y cómo interpretar los resultados del modelo.

  • 4

    Máquinas de vectores soporte

    En este capítulo aprenderás todos los detalles de las máquinas de vectores soporte. Aprenderá a ajustar los hiperparámetros de estos modelos y a utilizar núcleos para ajustar límites de decisión no lineales.

Initializing

Ubung

Comparación de modelos

Compara k clasificadores de vecinos más cercanos con k=1 y k=5 en el conjunto de datos de dígitos manuscritos, que ya está cargado en las variables X_train, y_train, X_test, y y_test. Puede establecer k con el parámetro n_neighbors al crear el objeto KNeighborsClassifier, que también se importa ya en el entorno.

¿Qué modelo tiene una mayor precisión en las pruebas?

Anweisungen

50 XP

Mögliche Antworten