Análise de métricas de validação cruzada

Agora que você fez a validação cruzada, é hora de analisar os resultados.

Você deve exibir a média, o desvio-padrão e o intervalo de confiança de 95% referente a cv_results, que foi pré-carregado para você do exercício anterior.

numpy foi importado para você como np.

Este exercicio faz parte do curso

Aprendizado Supervisionado com scikit-learn

Instruções do exercicio

Calcule e imprima a média dos resultados.
Calcule e imprima o desvio-padrão de cv_results.
Mostre o intervalo de confiança de 95% para os resultados usando np.quantile().

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Print the mean
print(____(____))

# Print the standard deviation
print(____(____))

# Print the 95% confidence interval
print(____(____, [____, ____]))

Editar e Executar Código

Este exercicio faz parte do curso

Aprendizado Supervisionado com scikit-learn

IntermediárioNível de habilidade

4.8+

Comece o curso gratuitamente

Neste capítulo, você vai ser apresentado a problemas de classificação e aprender a resolvê-los com técnicas de aprendizado supervisionado. Você vai aprender a dividir os dados em conjuntos de treino e teste, ajustar um modelo, fazer previsões e avaliar a acurácia. Você vai descobrir a relação entre complexidade do modelo e desempenho, aplicando o que aprender a um conjunto de dados de churn, no qual você vai classificar o status de churn dos clientes de uma empresa de telecom.

Exercise 1: Aprendizado de máquina com o scikit-learn Exercise 2: Classificação binária Exercise 3: Fluxo de trabalho de aprendizado supervisionado Exercise 4: O desafio da classificação Exercise 5: k vizinhos mais próximos: ajuste Exercise 6: k vizinhos mais próximos: previsão Exercise 7: Avaliação do desempenho do modelo Exercise 8: Divisão em treinamento/teste + cálculo da precisão Exercise 9: Sobreajuste e subajuste Exercise 10: Visualização da complexidade do modelo

Neste capítulo, você será apresentado à regressão e vai construir modelos para prever valores de vendas usando um conjunto de dados sobre gastos com publicidade. Você vai aprender a mecânica da regressão linear e métricas de desempenho comuns, como R-quadrado e raiz do erro quadrático médio. Você vai realizar validação cruzada k-fold e aplicar regularização a modelos de regressão para reduzir o risco de overfitting.

Exercise 1: Introdução à regressão Exercise 2: Criação de variáveis independentes Exercise 3: Criação de um modelo de regressão linear Exercise 4: Visualização de um modelo de regressão linear Exercise 5: Noções básicas de regressão linear Exercise 6: Ajuste e previsão para regressão Exercise 7: Desempenho da regressão Exercise 8: Validação cruzada Exercise 9: Validação cruzada com R-quadrado Exercise 10: Análise de métricas de validação cruzada

Exercicio Atual

Exercise 11: Regressão regularizada Exercise 12: Regressão regularizada: ridge Exercise 13: Regressão Lasso para análise da importância de variáveis independentes

Depois de treinar modelos, agora você vai aprender a avaliá-los. Neste capítulo, você será apresentado a várias métricas, além de uma técnica de visualização para analisar o desempenho de modelos de classificação usando scikit-learn. Você também vai aprender a otimizar modelos de classificação e regressão por meio de ajuste de hiperparâmetros.

Exercise 1: Qual é o desempenho de seu modelo?Exercise 2: Decisão sobre uma métrica primária Exercise 3: Avaliação de um classificador para previsão de diabetes Exercise 4: Regressão logística e curva de COR Exercise 5: Criação de um modelo de regressão logística Exercise 6: A curva de COR Exercise 7: Área sob a curva de COR (ROC AUC)Exercise 8: Ajuste de hiperparâmetros Exercise 9: Ajuste de hiperparâmetros com GridSearchCV Exercise 10: Ajuste de hiperparâmetros com RandomizedSearchCV

Aprenda a imputar valores ausentes, converter dados categóricos em valores numéricos, escalar dados, avaliar vários modelos de aprendizado supervisionado simultaneamente e criar pipelines para agilizar seu fluxo de trabalho!

Exercise 1: Pré-processamento de dados Exercise 2: Criação de variáveis binárias (dummies)Exercise 3: Regressão com variáveis independentes categóricas Exercise 4: Tratamento de dados faltantes Exercise 5: Eliminação de dados faltantes Exercise 6: Pipeline para previsão do gênero de músicas: I Exercise 7: Pipeline para previsão do gênero de músicas: II Exercise 8: Centralização e escalonamento Exercise 9: Centralização e escalonamento para regressão Exercise 10: Centralização e escalonamento para classificação Exercise 11: Avaliação de vários modelos Exercise 12: Visualização do desempenho do modelo de regressão Exercise 13: Previsão com base no conjunto de teste Exercise 14: Visualização do desempenho do modelo de classificação Exercise 15: Pipeline para previsão da popularidade de músicas Exercise 16: Parabéns!