入念な探索的データ分析の結果、ベースラインの回帰モデルに多重共線性があることに気付きました。これは本当に当てはまるか、どのように確認しますか？情報を失わずに、より良いベースラインモデルを構築できますか？
誤っている選択肢を選んでください:
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
本章では、欠損値や外れ値への対応、データセットの正規化など、予測用Machine Learningモデルの作成に必要な前処理ステップを一通り行います。
本章では、最適な特徴量サブセットの選択、過学習を防ぐための正則化、特徴量エンジニアリング、そしてバイアス・バリアンスのトレードオフに向き合うためのアンサンブル手法など、教師ありMachine Learningのさまざまな側面を実践します。
本章では、教師なし学習を用いて、次元削減のための特徴抽出と可視化手法を適用し、さらにクラスタリング手法について、データセットに適したアルゴリズム選択と最適クラスタ数の決定を行います。
最終章では、ブートストラップ法とクロスバリデーションでモデルの汎化性能を評価し、不均衡データに対する再サンプリング手法、マルチコライン性の検出と除去、そしてアンサンブルモデルの構築まで一気に取り組みます。
現在の演習
