Centratura e scalatura per la classificazione

Ora riunirai la scalatura e la costruzione del modello in una pipeline per la convalida incrociata.

Il tuo compito è costruire una pipeline per scalare le caratteristiche nel dataset music_df ed eseguire una convalida incrociata con ricerca a griglia utilizzando un modello di regressione logistica con diversi valori dell'iperparametro C. La variabile target è "genre", che contiene valori binari per il rock come 1 e per qualsiasi altro genere come 0.

StandardScaler, LogisticRegression e GridSearchCV sono stati importati per te.

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

Visualizza il corso

Istruzioni dell'esercizio

Costruisci le fasi della pipeline: un oggetto StandardScaler() chiamato "scaler" e un modello di regressione logistica chiamato "logreg".
Crea parameters, cercando 20 valori fluttuanti equidistanti che vanno da 0.001 a 1.0 per l'iperparametro C del modello di regressione logistica all'interno della pipeline.
Istanzia l'oggetto di ricerca della griglia.
Adatta l'oggetto di ricerca della griglia ai dati di formazione.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Build the steps
steps = [("____", ____()),
         ("____", ____())]
pipeline = Pipeline(steps)

# Create the parameter space
parameters = {"____": np.____(____, ____, 20)}
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, 
                                                    random_state=21)

# Instantiate the grid search object
cv = ____(____, param_grid=____)

# Fit to the training data
cv.____(____, ____)
print(cv.best_score_, "\n", cv.best_params_)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

In this chapter, you'll be introduced to classification problems and learn how to solve them using supervised learning techniques. You'll learn how to split data into training and test sets, fit a model, make predictions, and evaluate accuracy. You’ll discover the relationship between model complexity and performance, applying what you learn to a churn dataset, where you will classify the churn status of a telecom company's customers.

Exercise 1: Machine learning with scikit-learn Exercise 2: Binary classification Exercise 3: The supervised learning workflow Exercise 4: The classification challenge Exercise 5: k-Nearest Neighbors: Fit Exercise 6: k-Nearest Neighbors: Predict Exercise 7: Measuring model performance Exercise 8: Train/test split + computing accuracy Exercise 9: Overfitting and underfitting Exercise 10: Visualizing model complexity

In this chapter, you will be introduced to regression, and build models to predict sales values using a dataset on advertising expenditure. You will learn about the mechanics of linear regression and common performance metrics such as R-squared and root mean squared error. You will perform k-fold cross-validation, and apply regularization to regression models to reduce the risk of overfitting.

Exercise 1: Introduction to regression Exercise 2: Creating features Exercise 3: Building a linear regression model Exercise 4: Visualizing a linear regression model Exercise 5: The basics of linear regression Exercise 6: Fit and predict for regression Exercise 7: Regression performance Exercise 8: Cross-validation Exercise 9: Cross-validation for R-squared Exercise 10: Analyzing cross-validation metrics Exercise 11: Regularized regression Exercise 12: Regularized regression: Ridge Exercise 13: Lasso regression for feature importance

Having trained models, now you will learn how to evaluate them. In this chapter, you will be introduced to several metrics along with a visualization technique for analyzing classification model performance using scikit-learn. You will also learn how to optimize classification and regression models through the use of hyperparameter tuning.

Exercise 1: How good is your model?Exercise 2: Deciding on a primary metric Exercise 3: Assessing a diabetes prediction classifier Exercise 4: Logistic regression and the ROC curve Exercise 5: Building a logistic regression model Exercise 6: The ROC curve Exercise 7: ROC AUC Exercise 8: Hyperparameter tuning Exercise 9: Hyperparameter tuning with GridSearchCV Exercise 10: Hyperparameter tuning with RandomizedSearchCV

Learn how to impute missing values, convert categorical data to numeric values, scale data, evaluate multiple supervised learning models simultaneously, and build pipelines to streamline your workflow!

Exercise 1: Pre-elaborazione dei dati Exercise 2: Creazione di variabili dummy Exercise 3: Regressione con caratteristiche categoriche Exercise 4: Gestione dei dati mancanti Exercise 5: Eliminazione dei dati mancanti Exercise 6: Pipeline per la previsione del genere di canzone: I Exercise 7: Pipeline per la previsione del genere di canzone: II Exercise 8: Centratura e scalatura Exercise 9: Centratura e scalatura per la regressione Exercise 10: Centratura e scalatura per la classificazione

Esercizio in corso

Exercise 11: Valutazione di più modelli Exercise 12: Visualizzazione delle prestazioni del modello di regressione Exercise 13: Previsione sul set di prova Exercise 14: Visualizzazione delle prestazioni del modello di classificazione Exercise 15: Pipeline per la previsione della popolarità delle canzoni Exercise 16: Congratulazioni