Знайомство з базою фільмів

Упродовж цього розділу ви працюватимете з TMDb (The Movie Database). Вона містить метадані приблизно про 5000 фільмів.

Набір даних завантажено й доступний як movies.

Ваше головне завдання — передбачити касові збори фільму, точніше log-revenue, тобто нормалізовану версію ознаки revenue.

Скористайтеся методом .describe(), щоб дослідити змінну target, яка містить значення, показані на гістограмі. Також можете переглянути гістограму праворуч. Які висновки ви можете зробити?

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Ансамблеві методи в Python

SkillTag.level.advancedSkillTag.label

4.9+

Почніть курс безкоштовно

Вам складно визначити, яка з побудованих вами моделей найкраща для вашої задачі? Не варто обирати одну — краще використайте їх усі! У цьому розділі ви навчитеся поєднувати кілька моделей в одну за допомогою «Voting» і «Averaging». Ви застосуєте ці підходи, щоб передбачати рейтинги застосунків у Google Play Store, визначати, чи є Pokémon легендарним, і хто з персонажів може загинути в «Грі престолів».

Exercise 1: Вступ до методів ансамблевого навчання Exercise 2: Дослідження даних про застосунки Google Exercise 3: Прогнозування рейтингу застосунку Exercise 4: Voting Exercise 5: Вибір найкращої моделі Exercise 6: Створюємо свій перший ансамбль Exercise 7: Оцінювання вашого ансамблю Exercise 8: Averaging Exercise 9: Подорож до Вестеросу Exercise 10: Прогнозування смертей у GoT Exercise 11: М'яке проти жорсткого голосування

Bagging — це ансамблевий метод, на якому ґрунтуються потужні алгоритми машинного навчання, зокрема випадкові ліси. У цьому розділі ви вивчите теорію цього підходу та побудуєте власні моделі bagging у scikit-learn.

Exercise 1: Сила «слабких» моделей Exercise 2: Обмежені та необмежені дерева рішень Exercise 3: «Слабке» дерево рішень Exercise 4: Бутстреп-агрегування Exercise 5: Навчання з бутстрепінгом Exercise 6: Перший підхід до bagging Exercise 7: BaggingClassifier: деталі та практичні аспекти Exercise 8: Bagging: спосіб у scikit-learn Exercise 9: Перевірка показника out-of-bag Exercise 10: Параметри bagging: корисні поради та трюки Exercise 11: Дослідження даних UCI SECOM Exercise 12: Складніша модель bagging Exercise 13: Налаштування гіперпараметрів bagging

Boosting — це клас ансамблевих алгоритмів навчання, до якого входять відзначені нагородами моделі, наприклад AdaBoost. У цьому розділі ви познайомитеся з цією відомою моделлю та використаєте її, щоб передбачити касові збори фільмів-лауреатів! Ви також дізнаєтеся про алгоритми градієнтного бустингу, такі як CatBoost і XGBoost.

Exercise 1: Ефективність поступового навчання Exercise 2: Знайомство з базою фільмів

Поточна вправа

Exercise 3: Дослідження ознак фільмів Exercise 4: Прогнозування касових зборів фільмів Exercise 5: Boosting для прогнозованого доходу Exercise 6: Adaptive boosting: відзначена нагородами модель Exercise 7: Ваш перший модель AdaBoost Exercise 8: Регресія AdaBoost на основі дерев Exercise 9: Максимум від AdaBoost Exercise 10: Gradient boosting Exercise 11: Повертаємося до відгуків про додатки Google Exercise 12: Аналіз тональності з GBM Exercise 13: Різновиди gradient boosting Exercise 14: Прогнозування доходів фільмів за допомогою CatBoost Exercise 15: Змагання в boosting: Light vs Extreme

Побачимо, як усе складається докупи! У фінальному розділі ви вивчите ансамблевий метод stacking. Ви навчитеся реалізовувати його в scikit-learn, а також за допомогою бібліотеки mlxtend. Ви застосуєте stacking, щоб передбачити їстівність північноамериканських грибів, і знову повернетеся до рейтингів застосунків Google з цим більш просунутим підходом.

Exercise 1: Інтуїція методу stacking Exercise 2: Дослідження набору даних про гриби Exercise 3: Прогнозування їстівності грибів Exercise 4: K-nearest neighbors для грибів Exercise 5: Створіть свій перший стековий ансамбль Exercise 6: Застосування stacking для прогнозування рейтингу застосунків Exercise 7: Створення стекінг-класифікатора Exercise 8: Стекировані передбачення для рейтингів застосунків Exercise 9: Спробуймо з mlxtend!Exercise 10: Перший підхід з mlxtend Exercise 11: Повертаємося до регресії зі stacking Exercise 12: Гриби: питання життя або смерті Exercise 13: Об'єднуємо все в один ансамбль