Grattis

Create Your Free Account

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

Den här övningen är en del av kursen

Övervakad inlärning med scikit-learn

SkillTag.level.intermediateSkillTag.label

4.8+

I det här kapitlet introduceras du till klassificeringsproblem och lär dig hur du löser dem med övervakade inlärningstekniker. Du lär dig att dela upp data i tränings- och testmängder, anpassa en modell, göra förutsägelser och utvärdera noggrannhet. Du utforskar sambandet mellan modellkomplexitet och prestanda, och tillämpar det du lärt dig på en churn-datamängd där du klassificerar kundbortfall hos ett telekomföretag.

Exercise 1: Maskininlärning med scikit-learn Exercise 2: Binär klassificering Exercise 3: Arbetsflödet för övervakad inlärning Exercise 4: Klassificeringsutmaningen Exercise 5: k-Nearest Neighbors: Träna modellen Exercise 6: k-Nearest Neighbors: Förutsäg Exercise 7: Mäta modellens prestanda Exercise 8: Tränings-/testuppdelning och beräkning av träffsäkerhet Exercise 9: Överanpassning och underanpassning Exercise 10: Visualisera modellkomplexitet

I det här kapitlet introduceras du till regression och bygger modeller för att förutsäga försäljningsvärden med hjälp av en datamängd om reklamutgifter. Du lär dig om mekaniken bakom linjär regression och vanliga prestandamått som R-kvadrat och rotmedelkvadratfel. Du genomför k-faldig korsvalidering och tillämpar regularisering på regressionsmodeller för att minska risken för överanpassning.

Exercise 1: Introduktion till regression Exercise 2: Skapa särdrag Exercise 3: Bygga en linjär regressionsmodell Exercise 4: Visualisera en linjär regressionsmodell Exercise 5: Grunderna i linjär regression Exercise 6: Anpassa och förutsäg med regression Exercise 7: Regressionsprestanda Exercise 8: Korsvalidering Exercise 9: Korsvalidering för R-kvadrat Exercise 10: Analysera korsvalideringsmått Exercise 11: Regulariserad regression Exercise 12: Regulariserad regression: Ridge Exercise 13: Lasso-regression för att identifiera viktiga särdrag

Nu när du har tränat modeller är det dags att lära dig utvärdera dem. I det här kapitlet introduceras du till flera mätvärden samt en visualiseringsteknik för att analysera klassificeringsmodellers prestanda med scikit-learn. Du lär dig också hur du optimerar klassificerings- och regressionsmodeller genom hyperparameterjustering.

Exercise 1: Hur bra är din modell?Exercise 2: Välja ett primärt mått Exercise 3: Utvärdera en klassificerare för diabetesprediktion Exercise 4: Logistisk regression och ROC-kurvan Exercise 5: Bygg en logistisk regressionsmodell Exercise 6: ROC-kurvan Exercise 7: ROC AUC Exercise 8: Hyperparameterjustering Exercise 9: Hyperparameterjustering med GridSearchCV Exercise 10: Hyperparameterjustering med RandomizedSearchCV

Lär dig att hantera saknade värden, konvertera kategorisk data till numeriska värden, skala data, utvärdera flera övervakade inlärningsmodeller samtidigt och bygga pipelines för ett smidigare arbetsflöde!

Exercise 1: Förbehandling av data Exercise 2: Skapa dummyvariabler Exercise 3: Regression med kategoriska särdrag Exercise 4: Hantera saknade värden Exercise 5: Ta bort saknade värden Exercise 6: Pipeline för förutsägelse av låtgenre: I Exercise 7: Pipeline för förutsägelse av musikgenre: II Exercise 8: Centrering och skalning Exercise 9: Centrering och skalning för regression Exercise 10: Centrering och skalning för klassificering Exercise 11: Utvärdera flera modeller Exercise 12: Visualisering av regressionsmodellers prestanda Exercise 13: Förutsägelser på testdatan Exercise 14: Visualisering av klassificeringsmodellers prestanda Exercise 15: Pipeline för att förutsäga låtpopularitet Exercise 16: Grattis

Aktuell övning