Pipeline per la previsione del genere di canzone: I

Ora è il momento di costruire una pipeline. Conterrà i passaggi per imputare i valori mancanti utilizzando la media di ogni caratteristica e costruire un modello KNN per la classificazione del genere musicale.

Il dataset music_df modificato che hai creato nell'esercizio precedente è stato precaricato, insieme a KNeighborsClassifier e train_test_split.

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

Visualizza corso

Istruzioni dell'esercizio

Importazione di SimpleImputer e Pipeline.
Istanziare un imputer.
Istanziare un classificatore KNN con tre vicini.
Crea steps, un elenco di tuple contenenti la variabile imputer che hai creato, chiamata "imputer", seguita dal modello knn che hai creato, chiamato "knn".

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Import modules
____
____

# Instantiate an imputer
imputer = ____()

# Instantiate a knn model
knn = ____

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

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

In questo capitolo ti verranno presentati i problemi di classificazione e imparerai a risolverli con tecniche di apprendimento supervisionato. Imparerai a suddividere i dati in training e test set, addestrare un modello, fare previsioni e valutarne l'accuratezza. Scoprirai il rapporto tra complessità del modello e prestazioni, applicando quanto appreso a un insieme di dati di churn, in cui classificherai lo stato di abbandono dei clienti di un'azienda di telecomunicazioni.

Exercise 1: Apprendimento automatico con scikit-learn Exercise 2: Classificazione binaria Exercise 3: Il flusso di lavoro dell'apprendimento supervisionato Exercise 4: La sfida della classificazione Exercise 5: k-Nearest Neighbors: Fit Exercise 6: k-Nearest Neighbors: Prevedere Exercise 7: Misurare le prestazioni del modello Exercise 8: Divisione treno/test + calcolo dell'accuratezza Exercise 9: Overfitting e underfitting Exercise 10: Visualizzazione della complessità del modello

In questo capitolo verrai introdotto alla regressione e costruirai modelli per prevedere i valori di vendita utilizzando un insieme di dati sulla spesa pubblicitaria. Imparerai il funzionamento della regressione lineare e le metriche di prestazione più comuni, come R-squared e root mean squared error. Eseguirai una cross-validation a k fold e applicherai la regolarizzazione ai modelli di regressione per ridurre il rischio di overfitting.

Exercise 1: Introduzione alla regressione Exercise 2: Creazione di caratteristiche Exercise 3: Costruire un modello di regressione lineare Exercise 4: Visualizzazione di un modello di regressione lineare Exercise 5: Le basi della regressione lineare Exercise 6: Adattamento e previsione per la regressione Exercise 7: Valutare le prestazioni della regressione Exercise 8: Convalida incrociata Exercise 9: Convalida incrociata per l'R-squared Exercise 10: Analisi delle metriche di convalida incrociata Exercise 11: Regressione regolarizzata Exercise 12: Regressione regolarizzata: Crinale Exercise 13: Regressione Lasso per l'importanza delle caratteristiche

Dopo aver addestrato i modelli, imparerai a valutarli. In questo capitolo ti verranno presentate diverse metriche e una tecnica di visualizzazione per analizzare le prestazioni dei modelli di classificazione con scikit-learn. Imparerai anche a ottimizzare i modelli di classificazione e regressione tramite il tuning degli iperparametri.

Exercise 1: Quanto è bello il tuo modello?Exercise 2: Decidere una metrica primaria Exercise 3: Valutazione di un classificatore di previsione del diabete Exercise 4: Regressione logistica e curva ROC Exercise 5: Costruire un modello di regressione logistica Exercise 6: La curva ROC Exercise 7: ROC AUC Exercise 8: Regolazione dell'iperparametro Exercise 9: Regolazione degli iperparametri con GridSearchCV Exercise 10: Sintonizzazione degli iperparametri con RandomizedSearchCV

Impara a imputare i valori mancanti, convertire i dati categorici in valori numerici, scalare i dati, valutare contemporaneamente più modelli di apprendimento supervisionato e creare pipeline per rendere più efficiente il tuo flusso di lavoro!

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

Esercizio attuale

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