1. Aprender
    2. /
  2. Cursos
    3. /
  3. Aprendizado Supervisionado com o scikit-learn
  • 1

    Classificação

    Gratuito

    Neste capítulo, será feita uma introdução aos problemas de classificação e você aprenderá a resolvê-los usando técnicas de aprendizado supervisionado. Você vai aprender a dividir os dados em conjuntos de treinamento e teste, ajustar um modelo, fazer previsões e avaliar a precisão. Você descobrirá a relação entre complexidade e desempenho do modelo, aplicando o que aprendeu a um conjunto de dados de cancelamento de assinaturas, no qual classificará a situação dos cancelamentos de clientes de uma empresa de telecomunicações.

  • 2

    Regressão

    Este capítulo introduz o conceito de regressão, e você vai criar modelos para prever valores de vendas usando um conjunto de dados sobre gastos com publicidade. Você aprenderá como funcionam a regressão linear e métricas de desempenho comuns, como R-quadrado e raiz do erro quadrático médio. Você vai fazer a validação cruzada com k subgrupos (k folds) e aplicar a regularização a modelos de regressão para reduzir o risco de sobreajuste.

  • 3

    Refinamento do modelo

    Depois de treinar os modelos, agora você aprenderá a avaliá-los. Neste capítulo, são apresentadas várias métricas e uma técnica de visualização para analisar o desempenho do modelo de classificação usando o scikit-learn. Você também aprenderá a otimizar modelos de classificação e regressão por meio do ajuste de hiperparâmetros.

  • 4

    Pré-processamento e pipelines

    Saiba como imputar valores faltantes, converter dados categóricos em valores numéricos, fazer o escalonamento de dados, avaliar vários modelos de aprendizado supervisionado de maneira simultânea e criar pipelines para otimizar o fluxo de trabalho!

Initializing

Exercício

Centralização e escalonamento para regressão

Agora que você já viu as vantagens de fazer o escalonamento dos dados, deve usar um pipeline para pré-processar as variáveis independentes de e criar um modelo de regressão lasso para prever o volume (loudness) de uma música.

X_train, X_test, y_train e y_test já foram criados a partir do conjunto de dados music_df, em que a variável dependente é "loudness" e as variáveis independentes são todas as outras colunas do conjunto de dados. Lasso e Pipeline também foram importados para você.

Observe que "genre" foi convertido em uma variável independente binária em que 1 indica uma música de rock e 0 representa outros gêneros.

Instruções

100 XP
  • Importe StandardScaler.
  • Crie as etapas para o objeto de pipeline, um objeto StandardScaler chamado "scaler" e um modelo lasso chamado "lasso" com alpha igual a 0.5.
  • Instancie um pipeline com etapas para o escalonamento e a criação de um modelo de regressão lasso.
  • Calcule o valor de R-quadrado com os dados de teste.