Kategorik özelliklerle regresyon

Artık her şarkının türü için ikili özellikler içeren music_dummies'ı oluşturdun; şimdi şarkı popülerliğini tahmin etmek için bir ridge regresyon modeli kurma zamanı.

music_dummies, Ridge, cross_val_score, numpy (np olarak) ve kf olarak saklanan bir KFold nesnesi senin için önceden yüklendi.

Model, ortalama RMSE hesaplanarak değerlendirilecek; ancak önce, her kat için skorları pozitif değerlere çevirmen ve kareköklerini alman gerekiyor. Bu metrik, modelimizin tahminlerinin ortalama hatasını gösterir; böylece hedef değişkenin standart sapması—"popularity"—ile karşılaştırılabilir.

Bu egzersiz

scikit-learn ile Supervised Learning

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

music_dummies içindeki tüm özellikleri barındıran X'i ve "popularity" sütunundan oluşan y'yi oluştur.
alpha değerini 0.2 yaparak bir ridge regresyon modeli başlat.
Ridge modelini kullanarak X ve y üzerinde çapraz doğrulama yap; cv değerini kf olarak ayarla ve skorlama metriği olarak negatif ortalama kare hatasını kullan.
Negatif scores değerlerini pozitife çevirip kareköklerini alarak RMSE değerlerini yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Create X and y
X = ____
y = ____

# Instantiate a ridge model
ridge = ____

# Perform cross-validation
scores = ____(____, ____, ____, cv=____, scoring="____")

# Calculate RMSE
rmse = np.____(____)
print("Average RMSE: {}".format(np.mean(rmse)))
print("Standard Deviation of the target array: {}".format(np.std(y)))

Kodu Düzenle ve Çalıştır

Bu egzersiz

scikit-learn ile Supervised Learning

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

In this chapter, you'll be introduced to classification problems and learn how to solve them using supervised learning techniques. You'll learn how to split data into training and test sets, fit a model, make predictions, and evaluate accuracy. You’ll discover the relationship between model complexity and performance, applying what you learn to a churn dataset, where you will classify the churn status of a telecom company's customers.

Exercise 1: Machine learning with scikit-learn Exercise 2: Binary classification Exercise 3: The supervised learning workflow Exercise 4: The classification challenge Exercise 5: k-Nearest Neighbors: Fit Exercise 6: k-Nearest Neighbors: Predict Exercise 7: Measuring model performance Exercise 8: Train/test split + computing accuracy Exercise 9: Overfitting and underfitting Exercise 10: Visualizing model complexity

In this chapter, you will be introduced to regression, and build models to predict sales values using a dataset on advertising expenditure. You will learn about the mechanics of linear regression and common performance metrics such as R-squared and root mean squared error. You will perform k-fold cross-validation, and apply regularization to regression models to reduce the risk of overfitting.

Exercise 1: Introduction to regression Exercise 2: Creating features Exercise 3: Building a linear regression model Exercise 4: Visualizing a linear regression model Exercise 5: The basics of linear regression Exercise 6: Fit and predict for regression Exercise 7: Regression performance Exercise 8: Cross-validation Exercise 9: Cross-validation for R-squared Exercise 10: Analyzing cross-validation metrics Exercise 11: Regularized regression Exercise 12: Regularized regression: Ridge Exercise 13: Lasso regression for feature importance

Having trained models, now you will learn how to evaluate them. In this chapter, you will be introduced to several metrics along with a visualization technique for analyzing classification model performance using scikit-learn. You will also learn how to optimize classification and regression models through the use of hyperparameter tuning.

Exercise 1: How good is your model?Exercise 2: Deciding on a primary metric Exercise 3: Assessing a diabetes prediction classifier Exercise 4: Logistic regression and the ROC curve Exercise 5: Building a logistic regression model Exercise 6: The ROC curve Exercise 7: ROC AUC Exercise 8: Hyperparameter tuning Exercise 9: Hyperparameter tuning with GridSearchCV Exercise 10: Hyperparameter tuning with RandomizedSearchCV

Learn how to impute missing values, convert categorical data to numeric values, scale data, evaluate multiple supervised learning models simultaneously, and build pipelines to streamline your workflow!

Exercise 1: Veriyi ön işleme Exercise 2: Sahte değişkenler (dummy variables) oluşturma Exercise 3: Kategorik özelliklerle regresyon

Geçerli Egzersiz

Exercise 4: Eksik verilerle başa çıkma Exercise 5: Eksik verileri düşürme Exercise 6: Şarkı türü tahmini için pipeline: I Exercise 7: Şarkı türü tahmini için pipeline: II Exercise 8: Merkezleme ve ölçekleme Exercise 9: Regresyon için merkezleme ve ölçekleme Exercise 10: Sınıflandırma için merkezleme ve ölçekleme Exercise 11: Birden fazla modeli değerlendirme Exercise 12: Regresyon model performansını görselleştirme Exercise 13: Test kümesi üzerinde tahmin Exercise 14: Sınıflandırma model performansını görselleştirme Exercise 15: Şarkı popülerliğini tahmin etmek için pipeline Exercise 16: Tebrikler