Sebelum kita dapat memvalidasi model, kita perlu memahami cara membuat dan menggunakannya. Bab ini memberikan pengantar untuk menjalankan model regresi dan klasifikasi di scikit-learn. Landasan pembangunan model ini akan kita gunakan di seluruh bab berikutnya.

Pengantar validasi model

Langkah-langkah pemodelan

Data yang pernah vs. belum pernah dilihat

Model regresi

Atur parameter dan latih model

Tingkat kepentingan fitur

Model klasifikasi

Prediksi klasifikasi

Menggunakan kembali parameter model

Klasifikator random forest

Pemodelan Dasar di scikit-learn

Bab ini berfokus pada dasar-dasar validasi model. Mulai dari membagi data menjadi himpunan data pelatihan, validasi, dan pengujian, hingga membangun pemahaman tentang trade-off bias-varian, kita membangun fondasi untuk teknik validasi K-Fold dan Leave-One-Out yang dipraktikkan di bab tiga.

Membuat himpunan data train, test, dan validation

Buat satu holdout set

Buat dua himpunan holdout

Mengapa menggunakan holdout set

Metrik akurasi: model regresi

Mean absolute error

Mean squared error

Kinerja pada subset data

Metrik klasifikasi

Confusion matrix

Matriks kebingungan, lagi

Precision vs. recall

Pertukaran bias-varians

Galat akibat under/overfitting

Apakah saya underfitting?

Dasar-dasar Validasi

Holdout set merupakan awal yang baik untuk validasi model. Namun, menggunakan satu set latih dan uji saja sering kali tidak cukup. Cross-validation dianggap sebagai standar emas dalam memvalidasi kinerja model dan hampir selalu digunakan saat menala hyper-parameter model. Bab ini berfokus pada melakukan cross-validation untuk memvalidasi kinerja model.

Masalah pada holdout set

Dua sampel

Potensi masalah

Cross-validation

KFold() di scikit-learn

Menggunakan indeks KFold

cross_val_score() dari sklearn

Metode-metode scikit-learn

Menerapkan cross_val_score()

Leave-one-out cross-validation (LOOCV)

Kapan menggunakan LOOCV

Leave-one-out-cross-validation

Cross Validation

Tiga bab pertama berfokus pada teknik validasi model. Pada bab 4 kita menerapkan teknik-teknik ini, khususnya cross-validation, sambil mempelajari penalaan hyperparameter. Pada akhirnya, validasi model memungkinkan proses penalaan dan membantu kita memilih model terbaik secara keseluruhan.

Pengantar hyperparameter tuning

Membuat Hyperparameter

Menjalankan model menggunakan rentang

RandomizedSearchCV

Mempersiapkan RandomizedSearch

Menerapkan RandomizedSearchCV

Memilih model final Anda

Akurasi klasifikasi terbaik

Memilih model precision terbaik

Kursus selesai!

Memilih model terbaik dengan penalaan Hyperparameter.

Candy dataset

Tic-Tac-Toe dataset

Model Machine Learning kini lebih mudah diimplementasikan daripada sebelumnya. Tanpa validasi yang tepat, hasil menjalankan data baru melalui sebuah model mungkin tidak seakurat yang diharapkan. Validasi model memungkinkan analis dengan yakin menjawab pertanyaan, seberapa baik model Anda? Kita akan menjawab pertanyaan ini untuk model klasifikasi menggunakan himpunan lengkap skenario akhir permainan tic-tac-toe, dan untuk model regresi menggunakan himpunan data peringkat kekuatan permen Halloween dari fivethirtyeight. Dalam kursus ini, kita akan membahas dasar-dasar validasi model, mendiskusikan berbagai teknik validasi, dan mulai mengembangkan alat untuk membuat model yang tervalidasi dan berkinerja tinggi.

Supervised Learning with scikit-learn

Pelajari dasar validasi model, teknik validasi, dan mulai buat model yang tervalidasi dan berkinerja tinggi.

Validasi Model di Python

Pelajari dasar-dasar validasi model, teknik validasi, dan mulailah membuat model yang tervalidasi dan berkinerja tinggi.

Ilmuwan Pembelajaran Mesin dalam Python

Akurasi klasifikasi terbaik

Validasi Model di Python

Latihan interaktif langsung