După ce am parcurs aceste cursuri, mă simt încrezător să creez vizualizări și tablouri de bord profesionale
Shoebur RahmanSpecialist în achiziții, Giz Bangladesh
Descrierea cursului
Modelele de învățare automată sunt mai ușor de implementat ca oricând. Fără o validare corespunzătoare, rezultatele obținute prin rularea unor date noi printr-un model s-ar putea să nu fie atât de precise pe cât te aștepți. Validarea modelelor le permite analiștilor să răspundă cu încredere la întrebarea: cât de bun este modelul tău? Vom răspunde la această întrebare pentru modelele de clasificare folosind setul complet de scenarii finale din jocul X și O, iar pentru modelele de regresie vom folosi setul de date fivethirtyeight privind clasamentul dulciurilor de Halloween. În acest curs, vom parcurge noțiunile de bază ale validării modelelor, vom discuta diverse tehnici de validare și vom începe să dezvoltăm instrumente pentru crearea de modele validate și performante.
Cerințe prealabile
Programă
Planul cursului
1
Modelare de bază în scikit-learn
Înainte de a putea valida modele, trebuie să înțelegem cum se creează și cum se lucrează cu ele. Acest capitol oferă o introducere în rularea modelelor de regresie și clasificare în scikit-learn. Această bază de construire a modelelor o vom folosi pe parcursul tuturor capitolelor următoare.
- Introducere în validarea modelelor50 XP
- Pașii de modelare50 XP
- Date văzute vs. date nevăzute100 XP
- Modele de regresie50 XP
- Setează parametrii și antrenează un model100 XP
- Importanța atributelor100 XP
- Modele de clasificare50 XP
- Predicții de clasificare100 XP
- Reutilizarea parametrilor modelului100 XP
- Clasificator random forest100 XP
2
Bazele validării
Acest capitol se concentrează pe noțiunile de bază ale validării modelelor. De la împărțirea datelor în seturi de antrenament, validare și testare, până la înțelegerea compromisului bias-varianță, construim fundația pentru tehnicile de validare K-Fold și Leave-One-Out practicate în capitolul trei.
3
Validarea încrucișată
Seturile de reținere reprezintă un bun punct de plecare pentru validarea modelelor. Totuși, utilizarea unui singur set de antrenament și testare nu este adesea suficientă. Validarea încrucișată este considerată standardul de aur în validarea performanței modelelor și este aproape întotdeauna folosită la ajustarea hiperparametrilor. Acest capitol se concentrează pe aplicarea validării încrucișate pentru a evalua performanța modelelor.
4
Selectarea celui mai bun model prin ajustarea hiperparametrilor
Primele trei capitole s-au axat pe tehnicile de validare a modelelor. În capitolul 4 aplicăm aceste tehnici – în special validarea încrucișată – în timp ce învățăm despre ajustarea hiperparametrilor. La urma urmei, validarea modelelor face posibilă ajustarea și ne ajută să selectăm cel mai bun model în ansamblu.
Validarea modelelor în Python
Curs
finalizat
