Ağacın hiperparametre ızgarasını ayarla

Bu egzersizde, sınıflandırma ağacı dt'yi ayarlamak ve bir sonraki egzersizde en iyi sınıflandırıcıyı bulmak için kullanılacak hiperparametre ızgarasını elle belirleyeceksin.

Bu egzersiz, kursun bir parçasıdır

Python ile Ağaç Tabanlı Modellerle Machine Learning

Kursa Göz Atın

Egzersiz talimatları

params_dt adlı bir Python sözlüğüne karşılık gelen bir hiperparametre ızgarası tanımla:
- 'max_depth' anahtarını 2, 3 ve 4 değerlerinden oluşan bir listeye ayarla
- 'min_samples_leaf' anahtarını 0.12, 0.14, 0.16, 0.18 değerlerinden oluşan bir listeye ayarla

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Define params_dt
params_dt = ____

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

Python ile Ağaç Tabanlı Modellerle Machine Learning

IntermediárioNível de habilidade

4.9+

Kursa Ücretsiz Başla

Sınıflandırma ve Regresyon Ağaçları (CART), sınıflandırma ve regresyon içeren problemler için kullanılan bir dizi denetimli öğrenme modelidir. Bu bölümde CART algoritmasına giriş yapacaksın.

Exercise 1: Sınıflandırma için karar ağacı Exercise 2: İlk sınıflandırma ağacını eğit Exercise 3: Sınıflandırma ağacını değerlendir Exercise 4: Lojistik regresyon vs sınıflandırma ağacı Exercise 5: Sınıflandırma ağacı öğrenimi Exercise 6: Bir sınıflandırma ağacını büyütme Exercise 7: Ölçüt olarak entropi kullanma Exercise 8: Entropi vs Gini indeksi Exercise 9: Regresyon için karar ağacı Exercise 10: İlk regresyon ağacını eğit Exercise 11: Regresyon ağacını değerlendir Exercise 12: Doğrusal regresyon vs regresyon ağacı

Bias-variance dengesi, denetimli Machine Learning’in temel kavramlarından biridir. Bu bölümde, aşırı uyum (overfitting) ve yetersiz uyum (underfitting) sorunlarını nasıl teşhis edeceğini anlayacaksın. Ayrıca, birden fazla modelin tahminlerinin birleştirilerek daha sağlam tahminler üretildiği topluluk (ensembling) kavramıyla tanışacaksın.

Exercise 1: Genelleme Hatası Exercise 2: Karmaşıklık, önyargı ve varyans Exercise 3: Aşırı öğrenme (overfitting) ve yetersiz öğrenme (underfitting)Exercise 4: Bias ve varyans sorunlarını teşhis et Exercise 5: Modeli örnekle Exercise 6: 10 katlı ÇD hatasını değerlendir Exercise 7: Eğitim hatasını değerlendir Exercise 8: Yüksek bias mı, yüksek varyans mı?Exercise 9: Ensemble Öğrenme Exercise 10: Topluluğu (ensemble) tanımla Exercise 11: Tek tek sınıflandırıcıları değerlendir Exercise 12: Voting Classifier ile daha iyi performans

Bagging, eğitim verisinden örneklenmiş farklı alt kümeler kullanılarak aynı algoritmanın birçok kez eğitilmesini içeren bir topluluk yöntemidir. Bu bölümde, bagging’in nasıl bir ağaç topluluğu oluşturmak için kullanılabileceğini anlayacaksın. Ayrıca, rastgele ormanlar (random forests) algoritmasının, topluluğu oluşturan ağaçlardaki her bölünme düzeyinde rastgeleleştirme yaparak nasıl ek çeşitlilik sağladığını öğreneceksin.

Exercise 1: Bagging Exercise 2: Bagging sınıflandırıcısını tanımla Exercise 3: Bagging performansını değerlendir Exercise 4: Torba Dışı Değerlendirme Exercise 5: Zemin hazırlığı Exercise 6: OOB Skoru vs Test Set Skoru Exercise 7: Random Forests (RF)Exercise 8: Bir RF regresörü eğit Exercise 9: RF regresörünü değerlendir Exercise 10: Özellik önemlerini görselleştirme

Boosting, birden çok modelin ardışık olarak eğitildiği ve her modelin kendinden öncekinin hatalarından öğrendiği bir topluluk yöntemidir. Bu bölümde AdaBoost ve Gradient Boosting olmak üzere iki boosting yöntemine giriş yapacaksın.

Exercise 1: Adaboost Exercise 2: AdaBoost sınıflandırıcısını tanımla Exercise 3: AdaBoost sınıflandırıcısını eğit Exercise 4: AdaBoost sınıflandırıcısını değerlendir Exercise 5: Gradient Boosting (GB)Exercise 6: GB regresörünü tanımla Exercise 7: GB regresörünü eğit Exercise 8: GB regresörünü değerlendir Exercise 9: Stokastik Gradient Boosting (SGB)Exercise 10: SGB ile regresyon Exercise 11: SGB regresörünü eğit Exercise 12: SGB regresörünü değerlendir

Bir Machine Learning modelinin hiperparametreleri, veriden öğrenilmeyen parametrelerdir. Modeli eğitim kümesine uydurmadan önce belirlenmelidirler. Bu bölümde, bir ağaç tabanlı modelin hiperparametrelerini grid arama çapraz doğrulaması kullanarak nasıl ayarlayacağını öğreneceksin.

Exercise 1: Bir CART'ın Hiperparametrelerini Ayarlama Exercise 2: Ağaç hiperparametreleri Exercise 3: Ağacın hiperparametre ızgarasını ayarla

Geçerli egzersiz

Exercise 4: En iyi ağacı ara Exercise 5: En iyi ağacı değerlendir Exercise 6: Bir RF'in Hiperparametrelerini Ayarlama Exercise 7: Random Forests hiperparametreleri Exercise 8: RF'in hiperparametre ızgarasını ayarla Exercise 9: En iyi ormanı ara Exercise 10: En iyi ormanı değerlendir Exercise 11: Tebrikler!