Before we can validate models, we need an understanding of how to create and work with them. This chapter provides an introduction to running regression and classification models in scikit-learn. We will use this model building foundation throughout the remaining chapters. 

Introduzione alla validazione dei modelli

Fasi del modeling

Dati visti vs. dati mai visti

Modelli di regressione

Imposta i parametri e addestra un modello

Importanza delle feature

Modelli di classificazione

Predizioni di classificazione

Riutilizzare i parametri del modello

Classificatore random forest

Basic Modeling in scikit-learn

This chapter focuses on the basics of model validation. From splitting data into training, validation, and testing datasets, to creating an understanding of the bias-variance tradeoff, we build the foundation for the techniques of K-Fold and Leave-One-Out validation practiced in chapter three. 

Creating train, test, and validation datasets

Create one holdout set

Create two holdout sets

Why use holdout sets

Accuracy metrics: regression models

Mean absolute error

Mean squared error

Performance on data subsets

Classification metrics

Confusion matrices

Confusion matrices, again

Precision vs. recall

The bias-variance tradeoff

Error due to under/over-fitting

Am I underfitting?

Validation Basics

Holdout sets are a great start to model validation. However, using a single train and test set if often not enough. Cross-validation is considered the gold standard when it comes to validating model performance and is almost always used when tuning model hyper-parameters. This chapter focuses on performing cross-validation to validate model performance. 

The problems with holdout sets

Two samples

Potential problems

Cross-validation

scikit-learn's KFold()

Using KFold indices

sklearn's cross_val_score()

scikit-learn's methods

Implement cross_val_score()

Leave-one-out-cross-validation (LOOCV)

When to use LOOCV

Leave-one-out-cross-validation

Cross Validation

The first three chapters focused on model validation techniques. In chapter 4 we apply these techniques, specifically cross-validation, while learning about hyperparameter tuning. After all, model validation makes tuning possible and helps us select the overall best model. 

Introduction to hyperparameter tuning

Creating Hyperparameters

Running a model using ranges

RandomizedSearchCV

Preparing for RandomizedSearch

Implementing RandomizedSearchCV

Selecting your final model

Best classification accuracy

Selecting the best precision model

Course completed!

Selecting the best model with Hyperparameter tuning. 

Candy dataset

Tic-Tac-Toe dataset

I modelli di Machine Learning sono oggi più facili da implementare che mai. Senza una corretta validazione, però, i risultati ottenuti applicando un modello a nuovi dati potrebbero non essere accurati quanto ti aspetti. La validazione del modello permette agli analisti di rispondere con sicurezza alla domanda: quanto è valido il tuo modello? Risponderemo a questa domanda per i modelli di classificazione usando l’insieme completo degli scenari finali del gioco del tris, e per i modelli di regressione usando il dataset di fivethirtyeight sul power ranking definitivo dei dolci di Halloween. In questo corso, tratteremo le basi della validazione dei modelli, discuteremo diverse tecniche di validazione e inizieremo a sviluppare strumenti per creare modelli validati e ad alte prestazioni.

Supervised Learning with scikit-learn

Impara le basi della validazione dei modelli e crea modelli validati e performanti.

Validazione dei modelli in Python

Impara le basi della validazione dei modelli, le tecniche di validazione e inizia a creare modelli validati e super efficaci.

Scienziato specializzato in apprendimento automatico in Python

Fasi del modeling

Validazione dei modelli in Python

Esercizio pratico interattivo