ट्री के हाइपरपैरामीटर

आगे के अभ्यासों में आप उस Indian Liver Patient डेटासेट पर वापस आएँगे, जिसे पिछले चैप्टर में पेश किया गया था.

आपका काम एक क्लासिफिकेशन ट्री के हाइपरपैरामीटर्स को ट्यून करना है. चूँकि यह डेटासेट असंतुलित है, इसलिए आप accuracy के बजाय ROC AUC स्कोर को मेट्रिक के रूप में इस्तेमाल करेंगे.

sklearn के डिफॉल्ट हाइपरपैरामीटर्स के साथ एक DecisionTreeClassifier बना कर dt में असाइन किया गया है. आप अपने कंसोल में dt के हाइपरपैरामीटर्स देख सकते हैं.

निम्न में से कौन-सा dt का हाइपरपैरामीटर नहीं है?

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Tree-Based Models के साथ Machine Learning

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

हमारे इंटरैक्टिव अभ्यासों में से किसी एक के साथ सिद्धांत को व्यवहार में बदलें

अभ्यास शुरू करें

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Tree-Based Models के साथ Machine Learning

SkillTag.level.intermediateSkillTag.label

4.8+

पाठ्यक्रम मुफ्त में शुरू करें

Classification and Regression Trees (CART) supervised learning मॉडलों का समूह है, जिनका उपयोग classification और regression से जुड़ी समस्याओं में किया जाता है। इस चैप्टर में, आप CART एल्गोरिदम से परिचित होंगे।

Exercise 1: क्लासिफिकेशन के लिए Decision Tree Exercise 2: अपना पहला classification tree ट्रेन करें Exercise 3: क्लासिफिकेशन ट्री का मूल्यांकन करें Exercise 4: Logistic regression बनाम classification tree Exercise 5: क्लासिफिकेशन ट्री लर्निंग Exercise 6: एक classification tree को बढ़ाना Exercise 7: Criterion के रूप में entropy का उपयोग Exercise 8: Entropy बनाम Gini index Exercise 9: Regression के लिए Decision Tree Exercise 10: अपना पहला रिग्रेशन ट्री ट्रेन करें Exercise 11: Regression tree का मूल्यांकन करें Exercise 12: Linear regression बनाम regression tree

Bias-variance tradeoff supervised machine learning की मूलभूत अवधारणाओं में से एक है। इस चैप्टर में, आप overfitting और underfitting की समस्याओं का निदान करना समझेंगे। आपको ensembling की अवधारणा से भी परिचित कराया जाएगा, जहाँ कई मॉडलों की predictions को मिलाकर अधिक robust predictions प्राप्त की जाती हैं।

Exercise 1: Generalization Error (जनरलाइज़ेशन त्रुटि)Exercise 2: जटिलता, बायस और वेरिएंस Exercise 3: ओवरफिटिंग और अंडरफिटिंग Exercise 4: बायस और वेरिएंस की समस्याओं का निदान करें Exercise 5: मॉडल इंस्टैंशिएट करें Exercise 6: 10-fold CV एरर का मूल्यांकन करें Exercise 7: Training error का मूल्यांकन करें Exercise 8: High bias या High variance?Exercise 9: एन्सेम्बल लर्निंग Exercise 10: Ensemble परिभाषित करें Exercise 11: इंडिविजुअल क्लासिफ़ायर का मूल्यांकन करें Exercise 12: Voting Classifier के साथ बेहतर परफॉर्मेंस

Bagging एक ensemble मेथड है जिसमें training डेटा से सैंपल किए गए अलग-अलग उपसमूहों पर एक ही एल्गोरिदम को कई बार प्रशिक्षित किया जाता है। इस चैप्टर में, आप समझेंगे कि bagging का उपयोग करके tree ensemble कैसे बनाया जा सकता है। आप यह भी सीखेंगे कि random forests एल्गोरिदम पेड़ों के प्रत्येक split स्तर पर randomization द्वारा ensemble में अतिरिक्त विविधता कैसे लाता है।

Exercise 1: बैगिंग Exercise 2: Bagging classifier परिभाषित करें Exercise 3: Bagging का प्रदर्शन आकलित करें Exercise 4: आउट-ऑफ़-बैग मूल्यांकन Exercise 5: शुरुआत की तैयारी Exercise 6: OOB स्कोर बनाम टेस्ट सेट स्कोर Exercise 7: Random Forests (RF)Exercise 8: एक RF रिग्रेसर ट्रेन करें Exercise 9: RF रिग्रेसर का मूल्यांकन करें Exercise 10: फीचर इंपॉर्टेंस को विज़ुअलाइज़ करना

Boosting उस ensemble मेथड को कहते हैं जिसमें कई मॉडलों को क्रमवार प्रशिक्षित किया जाता है और हर अगला मॉडल अपने पूर्ववर्तियों की त्रुटियों से सीखता है। इस चैप्टर में, आप AdaBoost और Gradient Boosting के दो boosting मेथड्स से परिचित होंगे।

Exercise 1: Adaboost Exercise 2: AdaBoost क्लासिफायर परिभाषित करें Exercise 3: AdaBoost क्लासिफायर को ट्रेन करें Exercise 4: AdaBoost क्लासिफायर का मूल्यांकन करें Exercise 5: Gradient Boosting (GB)Exercise 6: GB रिग्रेसर परिभाषित करें Exercise 7: GB Regressor को ट्रेन करें Exercise 8: GB रिग्रेसर का मूल्यांकन करें Exercise 9: Stochastic Gradient Boosting (SGB)Exercise 10: SGB के साथ रिग्रेशन Exercise 11: SGB regressor को ट्रेन करें Exercise 12: SGB रिग्रेसर का मूल्यांकन करें

Machine learning मॉडल के hyperparameters वे पैरामीटर होते हैं जो डेटा से नहीं सीखे जाते। इन्हें मॉडल को training सेट पर फिट करने से पहले तय किया जाना चाहिए। इस चैप्टर में, आप grid search cross validation का उपयोग करके tree-based मॉडल के hyperparameters को ट्यून करना सीखेंगे।

Exercise 1: CART के हाइपरपैरामीटर ट्यून करना Exercise 2: ट्री के हाइपरपैरामीटर

वर्तमान अभ्यास

Exercise 3: ट्री का हाइपरपैरामीटर ग्रिड सेट करें Exercise 4: सर्वोत्तम ट्री की खोज Exercise 5: सर्वोत्तम ट्री का मूल्यांकन करें Exercise 6: RF के Hyperparameters ट्यून करना Exercise 7: Random forests के हाइपरपैरामीटर Exercise 8: RF का हाइपरपैरामीटर ग्रिड सेट करें Exercise 9: उत्तम फॉरेस्ट की खोज Exercise 10: उत्तम फॉरेस्ट का मूल्यांकन करें Exercise 11: बधाई हो!