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. 

Introduction to model validation

Modeling steps

Seen vs. unseen data

Regression models

Set parameters and fit a model

Feature importances

Classification models

Classification predictions

Reusing model parameters

Random forest classifier

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. 

Introduzione all'hyperparameter tuning

Creare gli iperparametri

Eseguire un modello usando intervalli

RandomizedSearchCV

Preparazione a RandomizedSearch

Implementare RandomizedSearchCV

Selezionare il modello finale

Migliore accuratezza di classificazione

Selezionare il modello con la precision migliore

Corso completato!

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

Migliore accuratezza di classificazione

Validazione dei modelli in Python

Esercizio pratico interattivo