Логистическая регрессия и ROC-кривая

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Это упражнение является частью курса

Обучение с учителем с помощью scikit-learn

SkillTag.level.intermediateSkillTag.label

4.8+

8809 reviews

Начать курс бесплатно

В этой главе вы познакомитесь с задачами классификации и научитесь решать их с помощью методов обучения с учителем. Вы узнаете, как разбивать данные на обучающую и тестовую выборки, обучать модель, делать прогнозы и оценивать точность. Вы изучите связь между сложностью модели и её качеством и применит полученные знания на наборе данных об оттоке клиентов, где предстоит определить, покинет ли клиент телекоммуникационную компанию.

Exercise 1: Машинное обучение с scikit-learn Exercise 2: Бинарная классификация Exercise 3: Рабочий процесс обучения с учителем Exercise 4: Задача классификации Exercise 5: k-ближайших соседей: обучение модели Exercise 6: Метод k ближайших соседей: предсказание Exercise 7: Оценка качества модели Exercise 8: Разбивка на обучающую и тестовую выборки + вычисление точности Exercise 9: Переобучение и недообучение Exercise 10: Визуализация сложности модели

В этой главе вы познакомитесь с регрессией и построите модели для прогнозирования объёма продаж на основе данных о рекламных расходах. Вы изучите принципы линейной регрессии и распространённые метрики качества, такие как R-квадрат и среднеквадратичная ошибка. Вы выполните k-кратную перекрёстную проверку и применит регуляризацию к регрессионным моделям, чтобы снизить риск переобучения.

Exercise 1: Введение в регрессию Exercise 2: Создание признаков Exercise 3: Построение модели линейной регрессии Exercise 4: Визуализация модели линейной регрессии Exercise 5: Основы линейной регрессии Exercise 6: Обучение и предсказание для регрессии Exercise 7: Качество регрессии Exercise 8: Перекрёстная проверка Exercise 9: Перекрёстная проверка для R-квадрата Exercise 10: Анализ метрик кросс-валидации Exercise 11: Регуляризованная регрессия Exercise 12: Регуляризованная регрессия: Ridge Exercise 13: Лассо-регрессия для оценки важности признаков

Обучив модели, вы научитесь их оценивать. В этой главе вы познакомитесь с несколькими метриками и методом визуализации для анализа качества моделей классификации с помощью scikit-learn. Вы также узнаете, как оптимизировать модели классификации и регрессии с помощью подбора гиперпараметров.

Exercise 1: Насколько хороша ваша модель?Exercise 2: Выбор основной метрики Exercise 3: Оценка классификатора для предсказания диабета Exercise 4: Логистическая регрессия и ROC-кривая

Текущее упражнение

Exercise 5: Построение модели логистической регрессии Exercise 6: ROC-кривая Exercise 7: ROC AUC Exercise 8: Подбор гиперпараметров Exercise 9: Подбор гиперпараметров с помощью GridSearchCV Exercise 10: Настройка гиперпараметров с помощью RandomizedSearchCV

Узнайте, как заполнять пропущенные значения, преобразовывать категориальные данные в числовые, масштабировать данные, одновременно оценивать несколько моделей обучения с учителем и строить конвейеры для автоматизации рабочего процесса!

Exercise 1: Предобработка данных Exercise 2: Создание фиктивных переменных Exercise 3: Регрессия с категориальными признаками Exercise 4: Работа с пропущенными значениями Exercise 5: Удаление пропущенных значений Exercise 6: Конвейер для предсказания жанра песни: часть I Exercise 7: Конвейер для определения жанра песни: II Exercise 8: Центрирование и масштабирование Exercise 9: Центрирование и масштабирование для регрессии Exercise 10: Масштабирование и центрирование для классификации Exercise 11: Оценка нескольких моделей Exercise 12: Визуализация качества регрессионных моделей Exercise 13: Предсказание на тестовой выборке Exercise 14: Визуализация результатов моделей классификации Exercise 15: Конвейер для прогнозирования популярности песен Exercise 16: Поздравляем!