Alegerea metricii principale

Așa cum ai văzut, mai multe metrici pot fi utile pentru a evalua performanța modelelor de clasificare, inclusiv acuratețea, precizia, recall-ul și F1-score-ul.

În acest exercițiu, ți se prezintă trei probleme diferite de clasificare, iar sarcina ta este să o identifici pe cea în care precizia este cea mai potrivită metrică principală.

Acest exercițiu face parte din cursul

Învățare supravegheată cu scikit-learn

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Învățare supravegheată cu scikit-learn

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

În acest capitol, vei face cunoștință cu problemele de clasificare și vei învăța cum să le rezolvi folosind tehnici de învățare supravegheată. Vei afla cum să împarți datele în seturi de antrenament și de testare, cum să antrenezi un model, să faci predicții și să evaluezi acuratețea acestuia. Vei explora relația dintre complexitatea modelului și performanța sa, aplicând ce ai învățat pe un set de date despre renunțarea clienților, unde vei clasifica statutul de churn al clienților unei companii de telecomunicații.

Exercise 1: Învățare automată cu scikit-learn Exercise 2: Clasificare binară Exercise 3: Fluxul de lucru în învățarea supervizată Exercise 4: Provocarea clasificării Exercise 5: k-Nearest Neighbors: Antrenare Exercise 6: k-Nearest Neighbors: Predicție Exercise 7: Măsurarea performanței modelului Exercise 8: Împărțirea în seturi de antrenament/testare + calcularea acurateței Exercise 9: Supraadaptare și subadaptare Exercise 10: Vizualizarea complexității modelului

În acest capitol, vei face cunoștință cu regresia și vei construi modele pentru a prezice valori de vânzări folosind un set de date despre cheltuielile de publicitate. Vei învăța cum funcționează regresia liniară și vei descoperi metrici comune de performanță, precum R-pătrat și eroarea pătratică medie. Vei aplica validarea încrucișată k-fold și vei folosi regularizarea în modelele de regresie pentru a reduce riscul de supraadaptare.

Exercise 1: Introducere în regresie Exercise 2: Crearea caracteristicilor Exercise 3: Construirea unui model de regresie liniară Exercise 4: Vizualizarea unui model de regresie liniară Exercise 5: Bazele regresiei liniare Exercise 6: Antrenează și prezice pentru regresie Exercise 7: Performanța regresiei Exercise 8: Validarea încrucișată Exercise 9: Validare încrucișată pentru R-squared Exercise 10: Analiza metricilor de validare încrucișată Exercise 11: Regresie regularizată Exercise 12: Regresie regularizată: Ridge Exercise 13: Regresia Lasso pentru importanța caracteristicilor

După ce ai antrenat modele, acum vei învăța cum să le evaluezi. În acest capitol, vei descoperi mai multe metrici și o tehnică de vizualizare pentru analiza performanței modelelor de clasificare folosind scikit-learn. Vei afla, de asemenea, cum să optimizezi modelele de clasificare și regresie prin ajustarea hiperparametrilor.

Exercise 1: Cât de bun este modelul tău?Exercise 2: Alegerea metricii principale

Exercițiul curent

Exercise 3: Evaluarea unui clasificator pentru predicția diabetului Exercise 4: Regresia logistică și curba ROC Exercise 5: Construirea unui model de regresie logistică Exercise 6: Curba ROC Exercise 7: ROC AUC Exercise 8: Ajustarea hiperparametrilor Exercise 9: Ajustarea hiperparametrilor cu GridSearchCV Exercise 10: Ajustarea hiperparametrilor cu RandomizedSearchCV

Învață cum să imputezi valorile lipsă, să convertești datele categorice în valori numerice, să scalezi datele, să evaluezi simultan mai multe modele de învățare supravegheată și să construiești pipeline-uri care îți eficientizează fluxul de lucru!

Exercise 1: Preprocesarea datelor Exercise 2: Crearea variabilelor dummy Exercise 3: Regresie cu caracteristici categorice Exercise 4: Gestionarea datelor lipsă Exercise 5: Eliminarea valorilor lipsă Exercise 6: Pipeline pentru predicția genului muzical: I Exercise 7: Pipeline pentru predicția genului muzical: II Exercise 8: Centrare și scalare Exercise 9: Centrare și scalare pentru regresie Exercise 10: Centrare și scalare pentru clasificare Exercise 11: Evaluarea mai multor modele Exercise 12: Vizualizarea performanței modelelor de regresie Exercise 13: Predicții pe setul de testare Exercise 14: Vizualizarea performanței modelelor de clasificare Exercise 15: Pipeline pentru predicția popularității melodiilor Exercise 16: Felicitări