Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Machine-Learning-Modelle lassen sich heute einfacher implementieren als je zuvor. Ohne geeignete Validierung sind die Ergebnisse beim Anwenden eines Modells auf neue Daten oft weniger genau als erwartet. Modellvalidierung ermöglicht es Analyst:innen, die Frage „Wie gut ist dein Modell?“ verlässlich zu beantworten. Wir beantworten diese Frage für Klassifikationsmodelle mit dem vollständigen Satz an Tic-Tac-Toe-Endspielszenarien und für Regressionsmodelle mit fivethirtyeights Ultimate Halloween Candy Power Ranking Datensatz. In diesem Kurs behandeln wir die Grundlagen der Modellvalidierung, besprechen verschiedene Validierungstechniken und beginnen, Werkzeuge für validierte und leistungsstarke Modelle zu entwickeln.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Grundlagen des Modellierens mit scikit-learn
Bevor wir Modelle validieren können, müssen wir verstehen, wie man sie erstellt und damit arbeitet. Dieses Kapitel führt in Regressions- und Klassifikationsmodelle mit scikit-learn ein. Auf dieser Grundlage für den Modellaufbau bauen die weiteren Kapitel auf.
- Einführung in die Modellvalidierung50 XP
- Modellierungsschritte50 XP
- Gesehene vs. ungesehene Daten100 XP
- Regressionsmodelle50 XP
- Parameter setzen und ein Modell fitten100 XP
- Feature-Importances100 XP
- Klassifikationsmodelle50 XP
- Klassifikationsvorhersagen100 XP
- Modellparameter wiederverwenden100 XP
- Random-Forest-Klassifikator100 XP
2
Validierungsgrundlagen
In diesem Kapitel geht es um die Grundlagen der Modellvalidierung. Vom Aufteilen der Daten in Trainings-, Validierungs- und Testdatensätze bis hin zum Verständnis des Bias-Variance-Trade-offs legen wir die Basis für die in Kapitel drei geübten Techniken K-Fold und Leave-One-Out.
3
Cross-Validation
Holdout-Sets sind ein guter Einstieg in die Modellvalidierung. Ein einzelnes Train-/Test-Set reicht jedoch oft nicht aus. Cross-Validation gilt als Goldstandard zur Validierung der Modellleistung und wird fast immer beim Tuning von Modell-Hyperparametern eingesetzt. Dieses Kapitel konzentriert sich auf die Durchführung von Cross-Validation zur Validierung der Modellperformance.
4
Das beste Modell per Hyperparameter-Tuning auswählen.
Die ersten drei Kapitel haben sich auf Validierungstechniken konzentriert. In Kapitel 4 wenden wir diese Techniken – insbesondere Cross-Validation – an und lernen dabei Hyperparameter-Tuning kennen. Denn Modellvalidierung macht Tuning erst möglich und hilft uns, das insgesamt beste Modell auszuwählen.
Modellvalidierung in Python
Kurs
abgeschlossen
