Przejdź do treści głównej

course

Linear Classifiers in Python

MediatorPoziom umiejętności

Zaktualizowano 10.2023

In this course you will learn the details of linear classifiers like logistic regression and SVM.

Rozpocznij Kurs Za Darmo

PythonMachine Learning4 godz.13 videos44 Exercises3,200 PD65,652Oświadczenie o osiągnięciu

Utwórz bezpłatne konto

Lub

Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz fakt, że Twoje dane są przechowywane w USA.

Uwielbiany przez pracowników tysięcy firm

Szkolenie 2 lub więcej osób?

Wypróbuj DataCamp for Business

Opis kursu

In this course you'll learn all about using linear classifiers, specifically logistic regression and support vector machines, with scikit-learn. Once you've learned how to apply these methods, you'll dive into the ideas behind them and find out what really makes them tick. At the end of this course you'll know how to train, test, and tune these linear classifiers in Python. You'll also have a conceptual foundation for understanding many other machine learning algorithms.

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

Rozpocznij 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

Rozpocznij 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

Rozpocznij 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

Rozpocznij Rozdział

Linear Classifiers in Python

Kurs
ukończony

Zdobądź oświadczenie o osiągnięciach

Dodaj te dane uwierzytelniające do swojego profilu na LinkedIn, CV lub życiorysu
Udostępnij w mediach społecznościowych i w swojej ocenie okresowejZapisz Się Teraz

Dołącz do nas 19 milionów uczniów i zacznij Linear Classifiers in Python już dziś!

Utwórz bezpłatne konto

Lub

Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz fakt, że Twoje dane są przechowywane w USA.

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.