Hiperparametreler Oluşturma

Bir okul ödevi için, profesörün sınıfınızdan final sınavının ortalama test puanını tahmin eden bir random forest modeli oluşturmanızı istedi.

İlk random forest modelini geliştirdikten sonra, genel doğruluktan memnun kalmadın. Seçilecek çok fazla hiperparametre olduğunu ve her birinin çok fazla olası değeri bulunduğunu fark ettin. Bir sonraki modelinde kullanabileceğin hiperparametreler için olası aralıkların bir listesini oluşturmaya karar verdin.

Profesörün, eğitim verisi olarak kullanılmak üzere son on kısa sınava ait kimliği gizlenmiş verileri sağladı. Sınıfında 30 öğrenci var.

Bu egzersiz

Python'da Model Doğrulama

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Review the parameters of rfr
print(rfr.____)

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python'da Model Doğrulama

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.9+

Kursa Ücretsiz Başlayın

Before we can validate models, we need an understanding of how to create and work with them. This chapter provides an introduction to running regression and classification models in scikit-learn. We will use this model building foundation throughout the remaining chapters.

Exercise 1: Introduction to model validation Exercise 2: Modeling steps Exercise 3: Seen vs. unseen data Exercise 4: Regression models Exercise 5: Set parameters and fit a model Exercise 6: Feature importances Exercise 7: Classification models Exercise 8: Classification predictions Exercise 9: Reusing model parameters Exercise 10: Random forest classifier

This chapter focuses on the basics of model validation. From splitting data into training, validation, and testing datasets, to creating an understanding of the bias-variance tradeoff, we build the foundation for the techniques of K-Fold and Leave-One-Out validation practiced in chapter three.

Exercise 1: Creating train, test, and validation datasets Exercise 2: Create one holdout set Exercise 3: Create two holdout sets Exercise 4: Why use holdout sets Exercise 5: Accuracy metrics: regression models Exercise 6: Mean absolute error Exercise 7: Mean squared error Exercise 8: Performance on data subsets Exercise 9: Classification metrics Exercise 10: Confusion matrices Exercise 11: Confusion matrices, again Exercise 12: Precision vs. recall Exercise 13: The bias-variance tradeoff Exercise 14: Error due to under/over-fitting Exercise 15: Am I underfitting?

Holdout sets are a great start to model validation. However, using a single train and test set if often not enough. Cross-validation is considered the gold standard when it comes to validating model performance and is almost always used when tuning model hyper-parameters. This chapter focuses on performing cross-validation to validate model performance.

Exercise 1: The problems with holdout sets Exercise 2: Two samples Exercise 3: Potential problems Exercise 4: Cross-validation Exercise 5: scikit-learn's KFold()Exercise 6: Using KFold indices Exercise 7: sklearn's cross_val_score()Exercise 8: scikit-learn's methods Exercise 9: Implement cross_val_score()Exercise 10: Leave-one-out-cross-validation (LOOCV)Exercise 11: When to use LOOCV Exercise 12: Leave-one-out-cross-validation

The first three chapters focused on model validation techniques. In chapter 4 we apply these techniques, specifically cross-validation, while learning about hyperparameter tuning. After all, model validation makes tuning possible and helps us select the overall best model.

Exercise 1: Hiperparametre ayarına giriş Exercise 2: Hiperparametreler Oluşturma

Geçerli Egzersiz

Exercise 3: Aralıklar kullanarak bir modeli çalıştırma Exercise 4: RandomizedSearchCV Exercise 5: RandomizedSearch'e Hazırlık Exercise 6: RandomizedSearchCV Uygulama Exercise 7: Nihai modelini seçme Exercise 8: En iyi sınıflandırma doğruluğu Exercise 9: En iyi precision modelini seçmek Exercise 10: Kurs tamamlandı!