scikit-learn でモデルを作成して評価するプロセスは4つのステップからなり、本コース全体を通してこの4ステップを使います。
次のうち、4ステップの scikit-learn モデル検証フレームワークにおいて有効なメソッドではないものはどれですか？
scikit-learn
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
モデルを検証する前に、まずはモデルの作成と扱い方を理解する必要があります。本章では、scikit-learn を使った回帰モデルと分類モデルの実行方法を紹介します。ここで学ぶモデル構築の基礎は、以降の章でも繰り返し活用していきます。
現在の演習
この章では、モデル検証の基本に焦点を当てます。データを学習・検証・テスト用に分割する方法から、バイアス–バリアンストレードオフの理解までを扱い、第3章で実践する K-Fold や Leave-One-Out 検証の土台を築きます。
ホールドアウトセットは、モデル検証の良い出発点です。ただし、単一の学習・テスト分割だけでは不十分なことがよくあります。クロスバリデーションはモデル性能の検証における標準的手法とされ、ハイパーパラメータのチューニングでもほぼ必ず使われます。この章では、クロスバリデーションを実行してモデルの性能を検証する方法に焦点を当てます。
最初の3章ではモデル検証の手法に焦点を当てました。第4章では、特にクロスバリデーションを使いながら、ハイパーパラメータチューニングを学び、これらの手法を実際に適用します。検証があるからこそチューニングが可能になり、全体として最良のモデルを選択できるのです。
