Neden ayırma (holdout) kümeleri kullanılır

İki (eğitim ve test) yerine üç veri kümesini (eğitim, doğrulama ve test) ne zaman kullanman gerektiğini bilmek önemlidir. Kullanmayacaksan fazladan bir veri kümesi bölmesi oluşturmanın anlamı yoktur.

Eğitim, doğrulama ve test veri kümelerini ne zaman kullanmayı düşünmelisin?

Bu egzersiz, kursun bir parçasıdır

Python'da Model Doğrulama

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Python'da Model Doğrulama

IntermediárioNível de habilidade

4.9+

Kursa Ücretsiz Başla

Modelleri doğrulamadan önce, nasıl oluşturulup kullanılacaklarını anlamamız gerekir. Bu bölüm, scikit-learn ile regresyon ve sınıflandırma modelleri çalıştırmaya giriş sağlar. Bu model kurma temelini, kalan bölümler boyunca kullanacağız.

Exercise 1: Model doğrulamaya giriş Exercise 2: Modelleme adımları Exercise 3: Görülmüş vs. görülmemiş veri Exercise 4: Regresyon modelleri Exercise 5: Parametreleri ayarla ve bir model eğit Exercise 6: Özellik önemleri Exercise 7: Sınıflandırma modelleri Exercise 8: Sınıflandırma tahminleri Exercise 9: Model parametrelerini yeniden kullanma Exercise 10: Rastgele orman sınıflandırıcısı

Bu bölüm, model doğrulamanın temellerine odaklanır. Veriyi eğitim, doğrulama ve test kümelerine ayırmaktan, bias-variance dengesi kavrayışı oluşturmaya kadar, üçüncü bölümde uygulayacağımız K-Fold ve Leave-One-Out doğrulama teknikleri için zemin hazırlarız.

Exercise 1: Eğitim, test ve doğrulama veri kümeleri oluşturma Exercise 2: Tek bir holdout kümesi oluştur Exercise 3: İki holdout kümesi oluştur Exercise 4: Neden ayırma (holdout) kümeleri kullanılır

Geçerli egzersiz

Exercise 5: Doğruluk ölçütleri: regresyon modelleri Exercise 6: Ortalama mutlak hata Exercise 7: Ortalama kare hata Exercise 8: Veri alt kümelerinde performans Exercise 9: Sınıflandırma metrikleri Exercise 10: Karmaşıklık matrisleri Exercise 11: Karışıklık matrisleri, yeniden Exercise 12: Precision ve recall Exercise 13: Bias-variance dengesi Exercise 14: Az/Aşırı uyumdan kaynaklanan hata Exercise 15: Aşırı basitleştiriyor muyum (underfitting)?

Ayrık tutulan (holdout) kümeler model doğrulama için iyi bir başlangıçtır. Ancak tek bir eğitim ve test kümesi kullanmak çoğu zaman yeterli değildir. Çapraz doğrulama, model performansını doğrulamada altın standart kabul edilir ve hiperparametre ayarında neredeyse her zaman kullanılır. Bu bölüm, model performansını doğrulamak için çapraz doğrulamanın uygulanmasına odaklanır.

Exercise 1: Holdout kümeleriyle ilgili sorunlar Exercise 2: İki örneklem Exercise 3: Olası sorunlar Exercise 4: Çapraz doğrulama Exercise 5: scikit-learn'in KFold() yöntemi Exercise 6: KFold indekslerini kullanma Exercise 7: sklearn'in cross_val_score() işlevi Exercise 8: scikit-learn yöntemleri Exercise 9: cross_val_score() uygulaması Exercise 10: Leave-one-out cross-validation (LOOCV)Exercise 11: LOOCV ne zaman kullanılmalı Exercise 12: Leave-one-out-cross-validation

İlk üç bölüm model doğrulama tekniklerine odaklandı. Dördüncü bölümde ise bu teknikleri, özellikle çapraz doğrulamayı, hiperparametre ayarını öğrenirken uygulayacağız. Sonuçta, model doğrulama ayarlamayı mümkün kılar ve genel anlamda en iyi modeli seçmemize yardımcı olur.

Exercise 1: Hiperparametre ayarına giriş Exercise 2: Hiperparametreler Oluşturma 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!