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. 

Eğitim, test ve doğrulama veri kümeleri oluşturma

Tek bir holdout kümesi oluştur

İki holdout kümesi oluştur

Neden ayırma (holdout) kümeleri kullanılır

Doğruluk ölçütleri: regresyon modelleri

Ortalama mutlak hata

Ortalama kare hata

Veri alt kümelerinde performans

Sınıflandırma metrikleri

Karmaşıklık matrisleri

Karışıklık matrisleri, yeniden

Precision ve recall

Bias-variance dengesi

Az/Aşırı uyumdan kaynaklanan hata

Aşırı basitleştiriyor muyum (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. 

Introduction to hyperparameter tuning

Creating Hyperparameters

Running a model using ranges

RandomizedSearchCV

Preparing for RandomizedSearch

Implementing RandomizedSearchCV

Selecting your final model

Best classification accuracy

Selecting the best precision model

Course completed!

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

Neden ayırma (holdout) kümeleri kullanılır

Python'da Model Doğrulama

Uygulamalı interaktif egzersiz