1. Apprendre
    2. /
  2. Cours
    3. /
  3. Apprentissage automatique avec des modèles arborescents en Python
  • 1

    Arbres de classification et de régression

    Gratuit

    Les arbres de classification et de régression (CART) sont un ensemble de modèles d'apprentissage supervisé utilisés pour les problèmes de classification et de régression. Dans ce chapitre, vous découvrirez l'algorithme CART.

  • 2

    Le compromis biais-variance

    Le compromis biais-variance est l'un des concepts fondamentaux de l'apprentissage automatique supervisé. Dans ce chapitre, vous comprendrez comment diagnostiquer les problèmes d'overfitting et d'underfitting. Vous serez également initié au concept d'assemblage, qui consiste à agréger les prévisions de plusieurs modèles afin de produire des prévisions plus robustes.

  • 3

    Forêts à sac et Forêts aléatoires

    L'agrégation est une méthode d'ensemble qui consiste à entraîner le même algorithme plusieurs fois en utilisant différents sous-ensembles échantillonnés à partir des données d'apprentissage. Dans ce chapitre, vous comprendrez comment l'ensachage peut être utilisé pour créer un ensemble d'arbres. Vous apprendrez également comment l'algorithme des forêts aléatoires peut conduire à une plus grande diversité de l'ensemble grâce à la randomisation au niveau de chaque division des arbres formant l'ensemble.

  • 4

    Renforcer l'efficacité

    Le boosting fait référence à une méthode d'ensemble dans laquelle plusieurs modèles sont formés de manière séquentielle, chaque modèle apprenant à partir des erreurs de ses prédécesseurs. Dans ce chapitre, vous découvrirez les deux méthodes de boosting, AdaBoost et Gradient Boosting.

  • 5

    Modèle Tuning

    Les hyperparamètres d'un modèle d'apprentissage automatique sont des paramètres qui ne sont pas appris à partir des données. Ils doivent être définis avant l'adaptation du modèle à l'ensemble d'apprentissage. Dans ce chapitre, vous apprendrez à ajuster les hyperparamètres d'un modèle arborescent à l'aide de la validation croisée par recherche en grille.

Initializing

Exercice

OOB Score par rapport au score de l'ensemble des tests

Maintenant que vous avez instancié bc, vous allez l'adapter à l'ensemble d'apprentissage et évaluer ses précisions sur l'ensemble de test et OOB.

L'ensemble de données est traité pour vous et divisé en 80 % de formation et 20 % de test. Les matrices de caractéristiques X_train et X_test, ainsi que les tableaux d'étiquettes y_train et y_test sont disponibles dans votre espace de travail. En outre, nous avons également chargé le classificateur bc instancié dans l'exercice précédent et la fonction accuracy_score() à partir de sklearn.metrics.

Instructions

100 XP

  • Ajustez bc à l'ensemble d'apprentissage et prédisez les étiquettes de l'ensemble de test, puis attribuez les résultats à y_pred.

  • Évaluez la précision de l'ensemble de test acc_test en appelant accuracy_score.

  • Évaluez la précision de bc's OOB acc_oob en extrayant l'attribut oob_score_ de bc.