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. 

Introduction to model validation

Modeling steps

Seen vs. unseen data

Regression models

Set parameters and fit a model

Feature importances

Classification models

Classification predictions

Reusing model parameters

Random forest classifier

Basic Modeling in scikit-learn

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. 

Creating train, test, and validation datasets

Create one holdout set

Create two holdout sets

Why use holdout sets

Accuracy metrics: regression models

Mean absolute error

Mean squared error

Performance on data subsets

Classification metrics

Confusion matrices

Confusion matrices, again

Precision vs. recall

The bias-variance tradeoff

Error due to under/over-fitting

Am I underfitting?

Validation Basics

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. 

The problems with holdout sets

Two samples

Potential problems

Cross-validation

scikit-learn's KFold()

Using KFold indices

sklearn's cross_val_score()

scikit-learn's methods

Implement cross_val_score()

Leave-one-out-cross-validation (LOOCV)

When to use LOOCV

Leave-one-out-cross-validation

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. 

Hiperparametre ayarına giriş

Hiperparametreler Oluşturma

Aralıklar kullanarak bir modeli çalıştırma

RandomizedSearchCV

RandomizedSearch'e Hazırlık

RandomizedSearchCV Uygulama

Nihai modelini seçme

En iyi sınıflandırma doğruluğu

En iyi precision modelini seçmek

Kurs tamamlandı!

Selecting the best model with Hyperparameter tuning. 

Candy dataset

Tic-Tac-Toe dataset

Machine Learning modellerini uygulamak artık her zamankinden daha kolay. Ancak doğru bir doğrulama olmadan, yeni verileri bir modelden geçirmek beklediğin kadar doğru sonuçlar vermeyebilir. Model doğrulama, analistlerin “modelin ne kadar iyi?” sorusuna güvenle yanıt vermesini sağlar. Bu soruyu, sınıflandırma modelleri için tic-tac-toe son oyun senaryolarının tam kümesini; regresyon modelleri içinse fivethirtyeight’in nihai Halloween şeker sıralaması veri kümesini kullanarak yanıtlayacağız. Bu derste, model doğrulamanın temellerini ele alacak, çeşitli doğrulama tekniklerini tartışacak ve doğrulanmış, yüksek performanslı modeller oluşturmak için araçlar geliştirmeye başlayacağız.

Supervised Learning with scikit-learn

Model doğrulama, teknikleri öğrenin ve doğrulanmış, yüksek performanslı modeller oluşturun.

Python'da Model Doğrulama

Model doğrulamanın temellerini ve doğrulama tekniklerini öğrenin ve doğrulanmış, yüksek performanslı modeller oluşturmaya başlayın.

Makine Öğrenimi Bilimcisi Python'da

En iyi sınıflandırma doğruluğu

Python'da Model Doğrulama

Uygulamalı interaktif egzersiz