After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Tworzenie modeli uczenia maszynowego jest dziś łatwiejsze niż kiedykolwiek wcześniej. Bez odpowiedniej walidacji wyniki uzyskane po przepuszczeniu nowych danych przez model mogą okazać się mniej trafne, niż się spodziewasz. Walidacja modeli pozwala analitykom pewnie odpowiedzieć na pytanie: jak dobry jest twój model? Na to pytanie odpowiemy w kontekście modeli klasyfikacji – korzystając z pełnego zestawu scenariuszy końcowych gry w kółko i krzyżyk – oraz modeli regresji, używając zestawu danych fivethirtyeight dotyczącego rankingu słodyczy halloweenowych. W kursie omówimy podstawy walidacji modeli, poznamy różne techniki walidacji i zaczniemy budować narzędzia do tworzenia zwalidowanych, wysokowydajnych modeli.
Wymagania wstępne
Program kursu
Plan kursu
1
Podstawy modelowania w scikit-learn
Zanim przejdziemy do walidacji modeli, musimy zrozumieć, jak je tworzyć i z nimi pracować. Ten rozdział to wprowadzenie do budowania modeli regresji i klasyfikacji w scikit-learn. Wypracowane tu podstawy będziemy wykorzystywać przez cały pozostały kurs.
- Wprowadzenie do walidacji modeli50 XP
- Etapy tworzenia modelu50 XP
- Dane widziane i niewidziane100 XP
- Modele regresji50 XP
- Ustaw parametry i dopasuj model100 XP
- Ważność cech100 XP
- Modele klasyfikacji50 XP
- Predykcje klasyfikacyjne100 XP
- Ponowne wykorzystanie parametrów modelu100 XP
- Klasyfikator Random Forest100 XP
2
Podstawy walidacji
Ten rozdział skupia się na podstawach walidacji modeli. Zaczniemy od podziału danych na zbiory treningowy, walidacyjny i testowy, a następnie omówimy kompromis między obciążeniem a wariancją. W ten sposób zbudujemy fundament pod techniki walidacji K-Fold i Leave-One-Out, które ćwiczymy w rozdziale trzecim.
3
Walidacja krzyżowa
Zbiory testowe to dobry punkt wyjścia do walidacji modeli, ale opieranie się na jednym podziale na zbiór treningowy i testowy często nie wystarczy. Walidacja krzyżowa jest uważana za złoty standard oceny wydajności modelu i niemal zawsze stosuje się ją przy strojeniu hiperparametrów. Ten rozdział koncentruje się na przeprowadzaniu walidacji krzyżowej.
4
Wybór najlepszego modelu za pomocą strojenia hiperparametrów
Pierwsze trzy rozdziały dotyczyły technik walidacji modeli. W rozdziale czwartym stosujemy te techniki – w szczególności walidację krzyżową – ucząc się jednocześnie strojenia hiperparametrów. Walidacja modeli umożliwia bowiem skuteczne strojenie i pomaga wybrać najlepszy model spośród wszystkich kandydatów.
Walidacja modeli w Pythonie
Kurs
ukończony
