cross_val_score() ของ sklearn

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.

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การตรวจสอบความถูกต้องของโมเดลใน Python

SkillTag.level.intermediateSkillTag.label

4.9+

904 reviews

เริ่มคอร์สฟรี

ก่อนที่จะตรวจสอบความถูกต้องของโมเดลได้ เราต้องเข้าใจวิธีสร้างและใช้งานโมเดลก่อน บทนี้จะแนะนำการรันโมเดล Regression และ Classification ใน scikit-learn ซึ่งเป็นพื้นฐานที่จะใช้ตลอดบทที่เหลือของคอร์ส

Exercise 1: บทนำสู่การตรวจสอบความถูกต้องของโมเดล Exercise 2: ขั้นตอนการสร้างโมเดล Exercise 3: ข้อมูลที่เคยเห็นและข้อมูลที่ไม่เคยเห็น Exercise 4: โมเดล Regression Exercise 5: กำหนดพารามิเตอร์และ fit โมเดล Exercise 6: ความสำคัญของฟีเจอร์Exercise 7: โมเดลการจำแนกประเภท Exercise 8: การพยากรณ์แบบ Classification Exercise 9: การนำพารามิเตอร์ของโมเดลกลับมาใช้ใหม่Exercise 10: Random forest classifier

บทนี้มุ่งเน้นพื้นฐานของ Model Validation ตั้งแต่การแบ่งข้อมูลออกเป็นชุด Training, Validation และ Testing ไปจนถึงการทำความเข้าใจ Bias-Variance Tradeoff เพื่อวางรากฐานสำหรับเทคนิค K-Fold Validation และ Leave-One-Out Validation ที่จะฝึกในบทที่สาม

Exercise 1: การสร้างชุดข้อมูล train, test และ validation Exercise 2: สร้าง holdout set หนึ่งชุด Exercise 3: สร้างชุดข้อมูลสำหรับ holdout สองชุด Exercise 4: เหตุใดจึงต้องใช้ holdout sets Exercise 5: เมตริกความแม่นยำ: โมเดล regression Exercise 6: Mean absolute error Exercise 7: Mean squared error Exercise 8: ประสิทธิภาพบนชุดข้อมูลย่อย Exercise 9: เมตริกการจำแนกประเภท Exercise 10: Confusion matrices Exercise 11: Confusion Matrix อีกครั้ง Exercise 12: Precision กับ Recall Exercise 13: การแลกเปลี่ยนระหว่าง Bias และ Variance Exercise 14: ข้อผิดพลาดจาก under/over-fitting Exercise 15: โมเดลของเรา Underfit อยู่หรือเปล่า?

การแบ่งข้อมูลแบบ Holdout Set เป็นจุดเริ่มต้นที่ดีสำหรับ Model Validation อย่างไรก็ตาม การใช้เพียงชุด Train และ Test เดียวมักไม่เพียงพอ Cross-Validation ถือเป็นมาตรฐานสูงสุดในการตรวจสอบประสิทธิภาพของโมเดล และเกือบทุกครั้งจะถูกนำมาใช้เมื่อต้องปรับ Hyperparameter ของโมเดล บทนี้จะเน้นการทำ Cross-Validation เพื่อตรวจสอบประสิทธิภาพของโมเดล

Exercise 1: ข้อจำกัดของ Holdout Set Exercise 2: สองกลุ่มตัวอย่าง Exercise 3: ปัญหาที่อาจเกิดขึ้น Exercise 4: Cross-validation Exercise 5: KFold() ของ scikit-learn Exercise 6: การใช้ดัชนีจาก KFold Exercise 7: cross_val_score() ของ sklearn

แบบฝึกหัดปัจจุบัน

Exercise 8: เมธอดใน scikit-learn Exercise 9: ใช้งาน cross_val_score()Exercise 10: การ Cross Validation แบบ Leave-One-Out (LOOCV)Exercise 11: ควรใช้ LOOCV เมื่อใด Exercise 12: Leave-one-out-cross-validation

สามบทแรกเน้นเทคนิคการตรวจสอบความถูกต้องของโมเดล ในบทที่ 4 เราจะนำเทคนิคเหล่านั้น โดยเฉพาะ Cross-Validation มาประยุกต์ใช้ควบคู่กับการเรียนรู้เรื่อง Hyperparameter Tuning เพราะ Model Validation นั่นเองที่ทำให้การปรับแต่งโมเดลเป็นไปได้ และช่วยให้เราเลือกโมเดลที่ดีที่สุดได้ในที่สุด

Exercise 1: แนะนำการปรับ Hyperparameter Exercise 2: การสร้าง Hyperparameter Exercise 3: รันโมเดลโดยใช้ช่วงค่าของพารามิเตอร์Exercise 4: RandomizedSearchCV Exercise 5: เตรียมความพร้อมสำหรับ RandomizedSearch Exercise 6: การใช้งาน RandomizedSearchCV Exercise 7: การเลือกโมเดลสุดท้าย Exercise 8: ความแม่นยำในการจำแนกประเภทที่ดีที่สุด Exercise 9: เลือกโมเดลที่มีค่า Precision ดีที่สุด Exercise 10: เรียนจบคอร์สแล้ว!