LOOCV कब इस्तेमाल करें

निम्न में से कौन-सी ऐसी वजहें हैं जिनकी वजह से आप दिए गए X डेटासेट पर LOOCV चलाना नहीं चाहेंगे? X डेटा आपके लिए लोड कर दिया गया है, आप इसे अपनी सुविधा से देख सकते हैं.

A: X डेटासेट में 122,624 डेटा पॉइंट्स हैं, जो computation के लिहाज़ से महँगा और धीमा हो सकता है.
B: आप classification समस्याओं पर LOOCV नहीं चला सकते.
C: आप 15 अलग-अलग पैरामीटरों के लिए अलग-अलग मान टेस्ट करना चाहते हैं

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Model Validation

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 Model Validation

SkillTag.level.intermediateSkillTag.label

4.9+

पाठ्यक्रम मुफ्त में शुरू करें

मॉडलों को validate करने से पहले, यह समझना ज़रूरी है कि उन्हें बनाना और उनके साथ काम करना कैसे होता है। यह अध्याय scikit-learn में regression और classification मॉडल चलाने का परिचय देता है। आगे के सभी अध्यायों में हम इसी model-building नींव का उपयोग करेंगे.

Exercise 1: मॉडल वैलिडेशन का परिचय Exercise 2: मॉडलिंग के चरण Exercise 3: Seen बनाम unseen डेटा Exercise 4: Regression मॉडल Exercise 5: Parameters सेट करें और मॉडल fit करें Exercise 6: फ़ीचर महत्व Exercise 7: क्लासिफिकेशन मॉडल Exercise 8: क्लासिफिकेशन प्रेडिक्शंस Exercise 9: मॉडल पैरामीटरों का पुन: उपयोग Exercise 10: रैंडम फॉरेस्ट क्लासिफायर

यह अध्याय model validation की मूल बातें कवर करता है। डेटा को training, validation, और testing डेटासेट में बाँटने से लेकर bias-variance tradeoff को समझने तक, हम K-Fold और Leave-One-Out validation जैसी तकनीकों की बुनियाद रखते हैं, जिनका अभ्यास अध्याय तीन में होगा.

Exercise 1: प्रशिक्षण, परीक्षण और वैलिडेशन डेटासेट बनाना Exercise 2: एक होल्डआउट सेट बनाएँ Exercise 3: दो होल्डआउट सेट बनाएँ Exercise 4: Holdout सेट्स का उपयोग क्यों करें Exercise 5: एक्यूरेसी मेट्रिक्स: रिग्रेशन मॉडल Exercise 6: Mean absolute error Exercise 7: Mean squared error Exercise 8: डेटा उपसमूहों पर प्रदर्शन Exercise 9: क्लासिफिकेशन मेट्रिक्स Exercise 10: Confusion matrices Exercise 11: फिर से Confusion matrices Exercise 12: Precision बनाम Recall Exercise 13: बायस-वेरिएंस ट्रेड-ऑफ Exercise 14: Under/Over-fitting से होने वाली Error Exercise 15: क्या मैं underfitting कर रहा हूँ?

Holdout sets model validation शुरू करने का अच्छा तरीका हैं। हालाँकि, सिर्फ एक train और test सेट अक्सर काफी नहीं होता। Cross-validation को model performance की validation के लिए gold standard माना जाता है और hyper-parameters को tune करते समय लगभग हमेशा प्रयोग किया जाता है। यह अध्याय model performance को validate करने के लिए cross-validation करने पर केंद्रित है.

Exercise 1: होल्डआउट सेट्स की सीमाएँ Exercise 2: Two samples Exercise 3: संभावित समस्याएँ Exercise 4: क्रॉस-वैलिडेशन Exercise 5: scikit-learn का KFold()Exercise 6: KFold इंडिसीज़ का उपयोग Exercise 7: sklearn का cross_val_score()Exercise 8: scikit-learn के मेथड्स Exercise 9: cross_val_score() लागू करें Exercise 10: लीव-वन-आउट क्रॉस-वैलिडेशन (LOOCV)Exercise 11: LOOCV कब इस्तेमाल करें

वर्तमान अभ्यास

Exercise 12: Leave-one-out-cross-validation

पहले तीन अध्याय model validation तकनीकों पर केंद्रित थे। अध्याय 4 में हम इन्हें, विशेषकर cross-validation को, hyperparameter tuning सीखते हुए लागू करेंगे। आखिरकार, model validation ही tuning को संभव बनाता है और हमें कुल मिलाकर सबसे अच्छा मॉडल चुनने में मदद करता है.

Exercise 1: हाइपरपैरामीटर ट्यूनिंग का परिचय Exercise 2: हाइपरपैरामीटर्स बनाना Exercise 3: रेंज का उपयोग करके मॉडल चलाना Exercise 4: RandomizedSearchCV Exercise 5: RandomizedSearch की तैयारी Exercise 6: RandomizedSearchCV लागू करना Exercise 7: अपना अंतिम मॉडल चुनना Exercise 8: Best classification accuracy Exercise 9: सर्वश्रेष्ठ precision मॉडल चुनना Exercise 10: कोर्स पूरा हुआ!