Chuẩn hóa (trung bình hóa và thu phóng)

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.

Bài tập này là một phần của khóa học

Học có giám sát với scikit-learn

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Trong chương này, bạn sẽ được giới thiệu về bài toán phân loại và cách giải quyết bằng các kỹ thuật học có giám sát. Bạn sẽ học cách chia dữ liệu thành tập huấn luyện và kiểm tra, fit mô hình, dự đoán và đánh giá độ chính xác. Bạn sẽ khám phá mối quan hệ giữa độ phức tạp mô hình và hiệu năng, rồi áp dụng vào bộ dữ liệu churn để phân loại trạng thái rời bỏ của khách hàng một công ty viễn thông.

Exercise 1: Machine Learning với scikit-learn Exercise 2: Phân loại nhị phân Exercise 3: Quy trình làm việc của supervised learning Exercise 4: Thử thách phân loại Exercise 5: k-Nearest Neighbors: Huấn luyện (Fit)Exercise 6: k-Nearest Neighbors: Dự đoán Exercise 7: Đo lường hiệu suất mô hình Exercise 8: Chia train/test + tính độ chính xác Exercise 9: Overfitting và underfitting Exercise 10: Trực quan hóa độ phức tạp của mô hình

Trong chương này, bạn sẽ được giới thiệu về hồi quy và xây dựng mô hình để dự đoán doanh số bằng một bộ dữ liệu về chi tiêu quảng cáo. Bạn sẽ học cơ chế của hồi quy tuyến tính và các thước đo hiệu năng phổ biến như R-squared và sai số bình phương trung bình căn (RMSE). Bạn sẽ thực hiện k-fold cross-validation và áp dụng regularization cho mô hình hồi quy để giảm rủi ro overfitting.

Exercise 1: Giới thiệu về hồi quy Exercise 2: Tạo đặc trưng Exercise 3: Xây dựng mô hình hồi quy tuyến tính Exercise 4: Trực quan hóa mô hình hồi quy tuyến tính Exercise 5: Những điều cơ bản về hồi quy tuyến tính Exercise 6: Fit và predict cho hồi quy Exercise 7: Hiệu suất hồi quy Exercise 8: Cross-validation Exercise 9: Cross-validation cho R-squared Exercise 10: Phân tích các chỉ số cross-validation Exercise 11: Hồi quy có điều chuẩn Exercise 12: Hồi quy có điều chuẩn: Ridge Exercise 13: Hồi quy Lasso để đánh giá mức độ quan trọng của đặc trưng

Sau khi đã huấn luyện mô hình, giờ bạn sẽ học cách đánh giá chúng. Trong chương này, bạn sẽ được giới thiệu một số chỉ số cùng kỹ thuật trực quan hóa để phân tích hiệu năng mô hình phân loại bằng scikit-learn. Bạn cũng sẽ học cách tối ưu mô hình phân loại và hồi quy thông qua tinh chỉnh siêu tham số (hyperparameter tuning).

Exercise 1: Mô hình của bạn tốt đến mức nào?Exercise 2: Chọn chỉ số chính Exercise 3: Đánh giá bộ phân loại dự đoán bệnh tiểu đường Exercise 4: Hồi quy logistic và đường cong ROC Exercise 5: Xây dựng mô hình logistic regression Exercise 6: Đường cong ROC Exercise 7: ROC AUC Exercise 8: Tinh chỉnh siêu tham số Exercise 9: Tinh chỉnh siêu tham số với GridSearchCV Exercise 10: Tinh chỉnh siêu tham số với RandomizedSearchCV

Học cách bù khuyết dữ liệu thiếu, chuyển dữ liệu phân loại thành giá trị số, chuẩn hóa dữ liệu, đánh giá đồng thời nhiều mô hình học có giám sát, và xây dựng pipeline để tinh gọn quy trình làm việc của bạn!

Exercise 1: Tiền xử lý dữ liệu Exercise 2: Tạo biến giả (dummy variables)Exercise 3: Hồi quy với đặc trưng phân loại (categorical)Exercise 4: Xử lý dữ liệu thiếu Exercise 5: Loại bỏ dữ liệu thiếu Exercise 6: Pipeline dự đoán thể loại bài hát: I Exercise 7: Pipeline dự đoán thể loại bài hát: II Exercise 8: Chuẩn hóa (trung bình hóa và thu phóng)

Bài tập hiện tại

Exercise 9: Chuẩn hóa trung tâm và tỉ lệ cho hồi quy Exercise 10: Chuẩn hóa tâm và tỉ lệ cho bài toán phân loại Exercise 11: Đánh giá nhiều mô hình Exercise 12: Trực quan hóa hiệu suất mô hình hồi quy Exercise 13: Dự đoán trên tập kiểm tra Exercise 14: Trực quan hóa hiệu năng mô hình phân loại Exercise 15: Pipeline để dự đoán độ phổ biến của bài hát Exercise 16: Chúc mừng bạn