Klasyfikacja binarna

Uczenie maszynowe z nadzorem obejmuje dwa główne typy zadań—klasyfikację i regresję. Klasyfikacja binarna służy do przewidywania zmiennej docelowej, która przyjmuje tylko dwie etykiety, zazwyczaj reprezentowane numerycznie jako zero lub jeden.

Poniżej przedstawiono wynik .head() dla zbioru danych churn_df. Pozostałe dane zawierają podobne wartości.

   account_length  total_day_charge  total_eve_charge  total_night_charge  total_intl_charge  customer_service_calls  churn
0             101             45.85             17.65                9.64               1.22                       3      1
1              73             22.30              9.05                9.98               2.75                       2      0
2              86             24.62             17.53               11.49               3.13                       4      0
3              59             34.73             21.02                9.66               3.24                       1      0
4             129             27.42             18.75               10.11               2.59                       1      0

Przeglądając te dane, która kolumna mogłaby być zmienną docelową w klasyfikacji binarnej?

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe z scikit-learn

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe z scikit-learn

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

W tym rozdziale zapoznasz się z problemami klasyfikacji i nauczysz się je rozwiązywać za pomocą technik nadzorowanego uczenia maszynowego. Dowiesz się, jak dzielić dane na zbiory treningowe i testowe, dopasowywać model, generować predykcje oraz oceniać dokładność. Poznasz zależność między złożonością modelu a jego wydajnością – a wszystko to przećwiczysz na zbiorze danych dotyczącym rezygnacji klientów, gdzie będziesz klasyfikować status odejścia klientów firmy telekomunikacyjnej.

Exercise 1: Uczenie maszynowe z scikit-learn Exercise 2: Klasyfikacja binarna

Bieżące ćwiczenie

Exercise 3: Przepływ pracy w uczeniu nadzorowanym Exercise 4: Wyzwanie klasyfikacji Exercise 5: k-Nearest Neighbors: dopasowanie modelu Exercise 6: k-Najbliżsi Sąsiedzi: Prognozowanie Exercise 7: Pomiar wydajności modelu Exercise 8: Podział na zbiór treningowy i testowy oraz obliczanie dokładności Exercise 9: Przeuczenie i niedouczenie Exercise 10: Wizualizacja złożoności modelu

W tym rozdziale zapoznasz się z regresją i zbudujesz modele przewidujące wartości sprzedaży na podstawie zbioru danych dotyczącego wydatków na reklamę. Poznasz mechanizm regresji liniowej oraz popularne miary jakości modelu, takie jak R-kwadrat i pierwiastek ze średniego błędu kwadratowego. Przeprowadzisz k-krotną walidację krzyżową i zastosujesz regularyzację w modelach regresji, aby zmniejszyć ryzyko przeuczenia.

Exercise 1: Wprowadzenie do regresji Exercise 2: Tworzenie cech Exercise 3: Budowanie modelu regresji liniowej Exercise 4: Wizualizacja modelu regresji liniowej Exercise 5: Podstawy regresji liniowej Exercise 6: Dopasowywanie i przewidywanie w regresji Exercise 7: Ocena jakości regresji Exercise 8: Walidacja krzyżowa Exercise 9: Kroswalidacja dla R-kwadrat Exercise 10: Analiza metryk walidacji krzyżowej Exercise 11: Regresja regularyzowana Exercise 12: Regresja regularyzowana: Ridge Exercise 13: Regresja Lasso do oceny ważności cech

Po wytrenowaniu modeli nadszedł czas, aby nauczyć się je oceniać. W tym rozdziale poznasz kilka miar jakości oraz technikę wizualizacji służącą do analizy wydajności modeli klasyfikacyjnych w scikit-learn. Dowiesz się również, jak optymalizować modele klasyfikacyjne i regresyjne za pomocą strojenia hiperparametrów.

Exercise 1: Jak dobry jest twój model?Exercise 2: Wybór głównej metryki Exercise 3: Ocena klasyfikatora do przewidywania cukrzycy Exercise 4: Regresja logistyczna i krzywa ROC Exercise 5: Budowanie modelu regresji logistycznej Exercise 6: Krzywa ROC Exercise 7: ROC AUC Exercise 8: Strojenie hiperparametrów Exercise 9: Strojenie hiperparametrów za pomocą GridSearchCV Exercise 10: Strojenie hiperparametrów za pomocą RandomizedSearchCV

Naucz się uzupełniać brakujące wartości, przekształcać dane kategoryczne na liczby, skalować dane, jednocześnie oceniać wiele modeli nadzorowanego uczenia maszynowego oraz budować potoki usprawniające twój przepływ pracy!

Exercise 1: Przetwarzanie wstępne danych Exercise 2: Tworzenie zmiennych zastępczych Exercise 3: Regresja z cechami kategorycznymi Exercise 4: Obsługa brakujących danych Exercise 5: Usuwanie brakujących danych Exercise 6: Potok do przewidywania gatunku muzycznego: I Exercise 7: Potok do przewidywania gatunku muzycznego: II Exercise 8: Centrowanie i skalowanie Exercise 9: Centrowanie i skalowanie w regresji Exercise 10: Skalowanie i centrowanie w klasyfikacji Exercise 11: Ocena wielu modeli Exercise 12: Wizualizacja wydajności modeli regresji Exercise 13: Prognozowanie na zbiorze testowym Exercise 14: Wizualizacja wydajności modelu klasyfikacji Exercise 15: Potok do przewidywania popularności piosenek Exercise 16: Gratulacje