Przejdź do głównej treści

Strona główna Python

Kurs

Liniowe klasyfikatory w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 10.2023

W tym kursie poznasz szczegóły klasyfikatorów liniowych, takich jak regresja logistyczna i SVM.

Zacznij kurs za darmo

PythonMachine Learning

4 godz.

13 filmów

44 Ćwiczenia

3,200 XP

66,252

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

W tym kursie nauczysz się wszystkiego o liniowych klasyfikatorach – w szczególności o regresji logistycznej i maszynach wektorów nośnych (SVM) – korzystając z biblioteki scikit-learn. Po opanowaniu tych metod zagłębisz się w idee, które za nimi stoją, i zrozumiesz, jak działają od środka. Pod koniec kursu będziesz wiedzieć, jak trenować, testować i dostrajać liniowe klasyfikatory w Pythonie. Zdobędziesz też solidne podstawy konceptualne przydatne przy nauce wielu innych algorytmów uczenia maszynowego.

Wymagania wstępne

Supervised Learning with scikit-learn

1

Applying logistic regression and SVM

In this chapter you will learn the basics of applying logistic regression and support vector machines (SVMs) to classification problems. You'll use the scikit-learn library to fit classification models to real data.

scikit-learn refresher

KNN classification

Comparing models

Overfitting

Applying logistic regression and SVM

Running LogisticRegression and SVC

Sentiment analysis for movie reviews

Linear classifiers

Which decision boundary is linear?

Visualizing decision boundaries

Zacznij rozdział

2

Loss functions

In this chapter you will discover the conceptual framework behind logistic regression and SVMs. This will let you delve deeper into the inner workings of these models.

Linear classifiers: the coefficients

How models make predictions

Changing the model coefficients

What is a loss function?

The 0-1 loss

Minimizing a loss function

Loss function diagrams

Classification loss functions

Comparing the logistic and hinge losses

Implementing logistic regression

Zacznij rozdział

3

Logistic regression

In this chapter you will delve into the details of logistic regression. You'll learn all about regularization and how to interpret model output.

Logistic regression and regularization

Regularized logistic regression

Logistic regression and feature selection

Identifying the most positive and negative words

Logistic regression and probabilities

Getting class probabilities

Regularization and probabilities

Visualizing easy and difficult examples

Multi-class logistic regression

Counting the coefficients

Fitting multi-class logistic regression

Visualizing multi-class logistic regression

One-vs-rest SVM

Zacznij rozdział

4

Support Vector Machines

In this chapter you will learn all about the details of support vector machines. You'll learn about tuning hyperparameters for these models and using kernels to fit non-linear decision boundaries.

Support vectors

Support vector definition

Effect of removing examples

Kernel SVMs

GridSearchCV warm-up

Jointly tuning gamma and C with GridSearchCV

Comparing logistic regression and SVM (and beyond)

An advantage of SVMs

An advantage of logistic regression

Using SGDClassifier

Zacznij rozdział

Liniowe klasyfikatory w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Liniowe klasyfikatory w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.