1. Learn
    2. /
  2. Courses
    3. /
  3. Apprentissage supervisé avec scikit-learn
  • 1

    Classification

    Free

    Dans ce chapitre, vous découvrirez les problèmes de classification et apprendrez à les résoudre à l'aide de techniques d'apprentissage supervisé. Vous apprendrez à diviser les données en ensembles d'apprentissage et de test, à adapter un modèle, à faire des prédictions et à évaluer la précision. Vous découvrirez la relation entre la complexité du modèle et la performance, en appliquant ce que vous avez appris à un ensemble de données sur le taux de perte de clients, où vous classerez l'état de désabonnement des clients d'une entreprise de télécommunications.

  • 2

    Régression

    Dans ce chapitre, vous découvrirez la régression et vous construirez des modèles pour prédire les valeurs des ventes à l'aide d'un ensemble de données sur les dépenses publicitaires. Vous apprendrez les mécanismes de la régression linéaire et les mesures de performance courantes telles que le R au carré et l'erreur quadratique moyenne. Vous effectuerez une validation croisée k-fold et appliquerez une régularisation aux modèles de régression afin de réduire le risque de surapprentissage.

  • 3

    Affinez votre modèle

    Après avoir entraîné des modèles, vous allez maintenant apprendre à les évaluer. Dans ce chapitre, vous découvrirez plusieurs métriques ainsi qu'une technique de visualisation permettant d'analyser les performances des modèles de classification utilisant scikit-learn. Vous apprendrez également à optimiser les modèles de classification et de régression grâce à l'ajustement des hyperparamètres.

  • 4

    Prétraitement et pipelines

    Apprenez à imputer les valeurs manquantes, à convertir les données catégorielles en valeurs numériques, à mettre à l'échelle les données, à évaluer simultanément plusieurs modèles d'apprentissage supervisé et à créer des pipelines pour rationaliser votre flux de travail.

Initializing

Exercise

Visualisation d'un modèle de régression linéaire

Maintenant que vous avez construit votre modèle de régression linéaire et que vous l'avez entraîné à l'aide de toutes les observations disponibles, vous pouvez visualiser l'adéquation du modèle aux données. Cela vous permet d'interpréter la relation entre les dépenses publicitaires de radio et les valeurs de sales.

Les variables X, un tableau des valeurs de radio, y, un tableau des valeurs de sales, et predictions, un tableau des valeurs prédites par le modèle pour y et X, ont été préchargés pour vous à partir de l'exercice précédent.

Instructions

100 XP
  • Importez matplotlib.pyplot en tant que plt.
  • Créez un diagramme en nuage de points pour visualiser y en fonction de X, avec les observations en bleu.
  • Tracez une ligne rouge représentant les prédictions en fonction de X.
  • Affichez le graphique.