Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Los modelos de Machine Learning son más fáciles de implementar que nunca. Sin una validación adecuada, los resultados de pasar datos nuevos por un modelo pueden no ser tan precisos como esperas. La validación de modelos permite responder con confianza a la pregunta: ¿qué tan bueno es tu modelo? Responderemos a esta pregunta para modelos de clasificación usando el conjunto completo de finales de partidas de tres en raya, y para modelos de regresión usando el conjunto de datos de FiveThirtyEight sobre la clasificación definitiva de chucherías de Halloween. En este curso, veremos los fundamentos de la validación de modelos, revisaremos varias técnicas de validación y comenzaremos a desarrollar herramientas para crear modelos validados y de alto rendimiento.
Requisitos previos
Programa de formación
Contenido del curso
1
Modelado básico en scikit-learn
Antes de poder validar modelos, necesitamos entender cómo crearlos y trabajar con ellos. Este capítulo ofrece una introducción a la ejecución de modelos de regresión y clasificación en scikit-learn. Usaremos estos fundamentos de construcción de modelos a lo largo del resto de capítulos.
- Introducción a la validación de modelos50 XP
- Pasos de modelado50 XP
- Datos vistos vs. no vistos100 XP
- Modelos de regresión50 XP
- Configura parámetros y ajusta un modelo100 XP
- Importancia de las variables100 XP
- Modelos de clasificación50 XP
- Predicciones de clasificación100 XP
- Reutilizar parámetros del modelo100 XP
- Clasificador de random forest100 XP
2
Fundamentos de validación
Este capítulo se centra en los conceptos básicos de la validación de modelos. Desde dividir los datos en conjuntos de entrenamiento, validación y prueba, hasta comprender el equilibrio sesgo-varianza, sentamos las bases para las técnicas de validación K-Fold y Leave-One-Out que practicarás en el capítulo tres.
3
Validación cruzada
Los conjuntos de retención son un gran punto de partida para la validación de modelos. Sin embargo, usar un único conjunto de entrenamiento y prueba a menudo no basta. La validación cruzada se considera el estándar de oro para validar el rendimiento de los modelos y casi siempre se usa al ajustar hiperparámetros. Este capítulo se centra en realizar validación cruzada para validar el rendimiento del modelo.
4
Seleccionar el mejor modelo con ajuste de hiperparámetros.
Los tres primeros capítulos se centraron en técnicas de validación de modelos. En el capítulo 4 aplicamos estas técnicas, en particular la validación cruzada, mientras aprendemos sobre el ajuste de hiperparámetros. Al fin y al cabo, la validación de modelos hace posible el ajuste y nos ayuda a seleccionar el mejor modelo general.
Validación de modelos en Python
Curso
completado
