or
Acest exercițiu face parte din cursul
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.
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.
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.
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!
Exercițiul curent