Оцінювання за позамішковими спостереженнями (Out-of-Bag)

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Ця вправа є частиною курсу

Машинне навчання з деревоподібними моделями в Python

SkillTag.level.intermediateSkillTag.label

4.8+

Почніть курс безкоштовно

Дерева класифікації та регресії (CART) — це набір моделей контрольованого навчання для задач класифікації та регресії. У цьому розділі ви познайомитеся з алгоритмом CART.

Exercise 1: Дерево рішень для класифікації Exercise 2: Навчіть своє перше дерево класифікації Exercise 3: Оцініть дерево класифікації Exercise 4: Логістична регресія vs дерево класифікації Exercise 5: Навчання дерева класифікації Exercise 6: Побудова дерева класифікації Exercise 7: Використання ентропії як критерію Exercise 8: Ентропія vs індекс Джіні Exercise 9: Дерево рішень для регресії Exercise 10: Навчіть свій перший регресійний дерево Exercise 11: Оцініть регресійне дерево Exercise 12: Лінійна регресія проти дерева регресії

Компроміс між зміщенням і дисперсією — одна з базових концепцій контрольованого машинного навчання. У цьому розділі ви навчитеся діагностувати проблеми перенавчання та недонавчання. Також ви познайомитеся з ідеєю ансамблювання, коли передбачення кількох моделей об'єднують, щоб отримати більш стійкі результати.

Exercise 1: Помилка узагальнення Exercise 2: Складність, зміщення та дисперсія Exercise 3: Перенавчання та недонавчання Exercise 4: Діагностика проблем із зміщенням і дисперсією Exercise 5: Створіть екземпляр моделі Exercise 6: Оцініть помилку 10-кратної перехресної перевірки Exercise 7: Оцініть помилку на тренуванні Exercise 8: Високе зміщення чи висока дисперсія?Exercise 9: Ансамблеве навчання Exercise 10: Визначте ансамбль Exercise 11: Оцініть окремі класифікатори Exercise 12: Краща якість з Voting Classifier

Бегінг — це ансамблевий метод, у межах якого один і той самий алгоритм навчають багато разів на різних підвибірках, взятих із тренувальних даних. У цьому розділі ви зрозумієте, як за допомогою бегінгу створити ансамбль дерев. Ви також дізнаєтеся, як алгоритм випадкових лісів забезпечує додаткове різноманіття ансамблю завдяки рандомізації на рівні кожного розбиття в деревах ансамблю.

Exercise 1: Беггінг Exercise 2: Визначте класифікатор bagging Exercise 3: Оцініть ефективність Bagging Exercise 4: Оцінювання за позамішковими спостереженнями (Out-of-Bag)

Поточна вправа

Exercise 5: Підготуйте основу Exercise 6: OOB-оцінка vs оцінка на тестовій вибірці Exercise 7: Random Forests (RF)Exercise 8: Навчіть регресор RF Exercise 9: Оцініть регресор RF Exercise 10: Візуалізація важливості ознак

Бустинг — це ансамблевий метод, у якому моделі навчають послідовно, і кожна наступна модель вчиться на помилках попередніх. У цьому розділі ви познайомитеся з двома підходами бустингу: AdaBoost і Gradient Boosting.

Exercise 1: Adaboost Exercise 2: Створіть класифікатор AdaBoost Exercise 3: Навчіть класифікатор AdaBoost Exercise 4: Оцініть класифікатор AdaBoost Exercise 5: Gradient Boosting (GB)Exercise 6: Створіть регресор GB Exercise 7: Навчіть регресор GB Exercise 8: Оцініть регресор GB Exercise 9: Стохастичний Gradient Boosting (SGB)Exercise 10: Регресія з SGB Exercise 11: Навчіть регресор SGB Exercise 12: Оцініть регресор SGB

Гіперпараметри моделі машинного навчання — це параметри, які не навчаються з даних. Їх слід встановити до навчання моделі на тренувальній вибірці. У цьому розділі ви дізнаєтеся, як налаштовувати гіперпараметри деревоподібної моделі за допомогою перехресної перевірки з перебором по сітці (grid search).

Exercise 1: Налаштування гіперпараметрів CART Exercise 2: Гіперпараметри дерева Exercise 3: Задайте сітку гіперпараметрів дерева Exercise 4: Пошук оптимального дерева Exercise 5: Оцініть оптимальне дерево Exercise 6: Налаштування гіперпараметрів RF Exercise 7: Гіперпараметри Random Forests Exercise 8: Задайте ґрід гіперпараметрів для RF Exercise 9: Пошук оптимального лісу Exercise 10: Оцініть оптимальний ліс Exercise 11: Вітаємо!