Przejdź do głównej treści

Strona główna Python

Kurs

Walidacja modeli w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 03.2026

Poznaj podstawy walidacji modeli, technik walidacji i zacznij tworzyć zwalidowane, wydajne modele.

Zacznij kurs za darmo

PythonMachine Learning

4 godz.

15 filmów

47 Ćwiczeń

3,700 XP

30,259

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

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

Supervised Learning with scikit-learn

1

Basic Modeling in scikit-learn

Before we can validate models, we need an understanding of how to create and work with them. This chapter provides an introduction to running regression and classification models in scikit-learn. We will use this model building foundation throughout the remaining chapters.

Introduction to model validation

Modeling steps

Seen vs. unseen data

Regression models

Set parameters and fit a model

Feature importances

Classification models

Classification predictions

Reusing model parameters

Random forest classifier

Zacznij rozdział

2

Validation Basics

This chapter focuses on the basics of model validation. From splitting data into training, validation, and testing datasets, to creating an understanding of the bias-variance tradeoff, we build the foundation for the techniques of K-Fold and Leave-One-Out validation practiced in chapter three.

Creating train, test, and validation datasets

Create one holdout set

Create two holdout sets

Why use holdout sets

Accuracy metrics: regression models

Mean absolute error

Mean squared error

Performance on data subsets

Classification metrics

Confusion matrices

Confusion matrices, again

Precision vs. recall

The bias-variance tradeoff

Error due to under/over-fitting

Am I underfitting?

Zacznij rozdział

3

Cross Validation

Holdout sets are a great start to model validation. However, using a single train and test set if often not enough. Cross-validation is considered the gold standard when it comes to validating model performance and is almost always used when tuning model hyper-parameters. This chapter focuses on performing cross-validation to validate model performance.

The problems with holdout sets

Two samples

Potential problems

Cross-validation

scikit-learn's KFold()

Using KFold indices

sklearn's cross_val_score()

scikit-learn's methods

Implement cross_val_score()

Leave-one-out-cross-validation (LOOCV)

When to use LOOCV

Leave-one-out-cross-validation

Zacznij rozdział

4

Selecting the best model with Hyperparameter tuning.

The first three chapters focused on model validation techniques. In chapter 4 we apply these techniques, specifically cross-validation, while learning about hyperparameter tuning. After all, model validation makes tuning possible and helps us select the overall best model.

Introduction to hyperparameter tuning

Creating Hyperparameters

Running a model using ranges

RandomizedSearchCV

Preparing for RandomizedSearch

Implementing RandomizedSearchCV

Selecting your final model

Best classification accuracy

Selecting the best precision model

Course completed!

Zacznij rozdział

Walidacja modeli 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 Walidacja modeli 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.