Weiter zum Inhalt

Startseite Python

Kurs

Lineare Klassifikatoren in Python

MittelSchwierigkeitsgrad

Aktualisiert 10/2023

In diesem Kurs lernst du die Details linearer Klassifikatoren wie logistische Regression und SVM kennen.

Kurs kostenlos starten

PythonMachine Learning

4 Std.

13 Videos

44 Übungen

3,200 XP

66,291

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

In diesem Kurs lernst du, wie du lineare Klassifikatoren – insbesondere logistische Regression und Support Vector Machines – mit scikit-learn einsetzt. Nachdem du die Anwendung dieser Methoden kennengelernt hast, tauchst du in die dahinterstehenden Konzepte ein und erfährst, was diese Verfahren im Kern ausmacht. Am Ende des Kurses weißt du, wie du diese linearen Klassifikatoren in Python trainierst, testest und optimierst. Außerdem verfügst du über ein konzeptionelles Fundament, um viele weitere Machine-Learning-Algorithmen zu verstehen.

Voraussetzungen

Supervised Learning with scikit-learn

1

Logistische Regression und SVM anwenden

In diesem Kapitel lernst du die Grundlagen, um logistische Regression und Support Vector Machines (SVMs) auf Klassifikationsprobleme anzuwenden. Du verwendest die Bibliothek scikit-learn, um Klassifikationsmodelle auf echte Daten zu fitten.

Auffrischung zu scikit-learn

KNN-Klassifikation

Modelle vergleichen

Overfitting

Logistische Regression und SVM anwenden

LogisticRegression und SVC ausführen

Sentiment-Analyse für Filmrezensionen

Lineare Klassifikatoren

Welche Entscheidungsgrenze ist linear?

Entscheidungsgrenzen visualisieren

Kapitel starten

2

Loss-Funktionen

In diesem Kapitel entdeckst du das konzeptionelle Fundament hinter logistischer Regression und SVMs. So kannst du tiefer in die Funktionsweise dieser Modelle eintauchen.

Lineare Klassifikatoren: die Koeffizienten

Wie Modelle Vorhersagen treffen

Die Modellkoeffizienten ändern

Was ist eine Loss-Funktion?

Der 0-1-Loss

Eine Loss-Funktion minimieren

Diagramme von Verlustfunktionen

Klassifikations-Loss-Funktionen

Logistic Loss und Hinge Loss vergleichen

Logistische Regression implementieren

Kapitel starten

3

Logistische Regression

In diesem Kapitel gehst du ins Detail der logistischen Regression. Du lernst alles über Regularisierung und wie du Modellergebnisse interpretierst.

Logistische Regression und Regularisierung

Regularisierte logistische Regression

Logistische Regression und Feature-Auswahl

Die positivsten und negativsten Wörter identifizieren

Logistische Regression und Wahrscheinlichkeiten

Klassenwahrscheinlichkeiten erhalten

Regularisierung und Wahrscheinlichkeiten

Einfache und schwierige Beispiele visualisieren

Logistische Regression mit mehreren Klassen

Koeffizienten zählen

Mehrklassen-Logistische Regression anpassen

Mehrklassige logistische Regression visualisieren

One-vs-rest SVM

Kapitel starten

4

Support Vector Machines

In diesem Kapitel lernst du die Details von Support Vector Machines kennen. Du erfährst, wie du Hyperparameter für diese Modelle optimierst und mit Kerneln nichtlineare Entscheidungsgrenzen fitten kannst.

Support-Vektoren

Definition von Support-Vektoren

Auswirkung des Entfernens von Beispielen

Kernel-SVMs

GridSearchCV-Aufwärmen

Gemeinsames Tuning von gamma und C mit GridSearchCV

Logistische Regression und SVM vergleichen (und darüber hinaus)

Ein Vorteil von SVMs

Ein Vorteil der logistischen Regression

SGDClassifier verwenden

Kapitel starten

Lineare Klassifikatoren in Python

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Lineare Klassifikatoren in Python heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.