在本章中，您将认识分类问题，并学习如何用监督学习技术来解决。您将学习如何将数据划分为训练集和测试集、拟合模型、进行预测并评估准确率。您还将了解模型复杂度与性能之间的关系，并将所学应用到一个流失数据集上，对某电信公司的客户流失状态进行分类。

使用 scikit-learn 进行机器学习

二元分类

监督学习的工作流

分类挑战

k 近邻：拟合

k-Nearest Neighbors：预测

评估模型性能

训练/测试集划分与计算准确率

过拟合与欠拟合

可视化模型复杂度

分类

本章将向您介绍回归，并使用一个关于广告支出的数据集构建预测销售额的模型。您将学习线性回归的机制，以及 R-squared 和均方根误差等常见性能指标。您还将执行 k 折交叉验证，并对回归模型进行正则化以降低过拟合风险。

回归简介

创建特征

构建线性回归模型

可视化线性回归模型

线性回归基础

回归中的拟合与预测

回归模型性能

交叉验证

用于 R-squared 的交叉验证

分析交叉验证指标

正则化回归

正则化回归：Ridge

用于特征重要性的 Lasso 回归

回归

在完成模型训练后，您将进一步学习如何评估模型。本章将向您介绍多种评估指标，以及一种基于 scikit-learn 的可视化技术来分析分类模型表现。您还将学习如何通过超参数调优来优化分类与回归模型。

您的模型表现如何？

确定主要评估指标

评估糖尿病预测分类器

Logistic 回归与 ROC 曲线

构建逻辑回归模型

ROC 曲线

ROC AUC

超参数调优

使用 GridSearchCV 进行超参数调优

使用 RandomizedSearchCV 进行超参数调优

模型微调

学习如何填补缺失值、将分类数据转换为数值、缩放数据、同时评估多个监督学习模型，并构建流水线以优化您的工作流程！

数据预处理

创建哑变量

包含类别特征的回归

处理缺失数据

删除缺失数据

用于歌曲流派预测的流水线：I

用于歌曲流派预测的管道：II

中心化与缩放

用于回归的居中与缩放

用于分类的中心化与缩放

评估多个模型

可视化回归模型的表现

在测试集上进行预测

可视化分类模型表现

用于预测歌曲流行度的管道

恭喜您

预处理与流水线

Telecom Churn

Music

Course Glossary

Advertising and Sales

Diabetes

通过 scikit-learn 提升您的机器学习技能，学习如何使用这一流行的 Python 库在有标签数据上训练模型。在本课程中，您将学习如何进行有效预测，例如客户是否会流失、个人是否患有糖尿病，甚至是对歌曲的流派进行分类。借助真实世界的数据集，您将了解如何构建预测模型、调优其参数，并评估它们在未见过数据上的表现。

视频包含实时字幕，您可以点击视频左下角的 "Show transcript" 展开查看。									
课程术语表位于右侧的资源部分。
							
若要获得 CPE 学分，您需要完成课程并在合格测评中达到 70% 的得分。您可以点击右侧的 CPE 学分提示跳转至测评页面。

Introduction to Statistics in Python

通过Python的scikit-learn提升机器学习技能，使用真实数据集进行互动课程，学习强大预测。

使用 scikit-learn 的监督学习

用 Python 中的 scikit-learn 提升你的机器学习技能。 在这门互动课程中使用真实世界数据集，学习如何做出强大的预测！

Logistic 回归与 ROC 曲线

Create Your Free Account