Name: Машинное обучение на основе древовидных моделей в Python
Rating: 4.847435897435897 (780 reviews)

Описание курса

Деревья решений — это модели обучения с учителем, которые применяются для задач классификации и регрессии. Древовидные модели отличаются высокой гибкостью, однако за это приходится платить: с одной стороны, деревья способны улавливать сложные нелинейные зависимости, с другой — склонны запоминать шум в данных. Ансамблевые методы объединяют предсказания нескольких деревьев, обученных по-разному, и тем самым используют гибкость деревьев, одновременно снижая их склонность к запоминанию шума. Ансамблевые методы применяются в самых разных областях и неоднократно доказывали свою эффективность на соревнованиях по машинному обучению. В этом курсе вы научитесь использовать Python для обучения деревьев решений и древовидных моделей с помощью удобной библиотеки машинного обучения scikit-learn. Вы поймёте преимущества и ограничения деревьев, а также увидите, как ансамблирование помогает справиться с этими ограничениями — всё это на реальных наборах данных. В завершение вы освоите настройку наиболее важных гиперпараметров, чтобы получить от своих моделей максимум.

Предварительные требования

Supervised Learning with scikit-learn

Программа

План курса

Деревья решений для классификации и регрессии

Деревья решений для классификации и регрессии (CART) — это набор моделей обучения с учителем, предназначенных для задач классификации и регрессии. В этой главе вы познакомитесь с алгоритмом CART.

Начать главу

Компромисс между смещением и дисперсией

Компромисс между смещением и дисперсией — одна из фундаментальных концепций в обучении с учителем. В этой главе вы научитесь диагностировать проблемы переобучения и недообучения. Кроме того, вы познакомитесь с концепцией ансамблирования, при котором предсказания нескольких моделей объединяются для получения более устойчивых результатов.

Начать главу

Бэггинг и случайные леса

Бэггинг — это ансамблевый метод, при котором один и тот же алгоритм обучается многократно на различных подвыборках из обучающих данных. В этой главе вы узнаете, как с помощью бэггинга создать ансамбль деревьев. Вы также изучите, как алгоритм случайного леса позволяет повысить разнообразие ансамбля за счёт случайного выбора признаков при каждом разбиении дерева.

Начать главу

Бустинг

Бустинг — это ансамблевый метод, при котором несколько моделей обучаются последовательно: каждая следующая модель учится на ошибках предыдущих. В этой главе вы познакомитесь с двумя методами бустинга: AdaBoost и градиентным бустингом.

Начать главу

Настройка модели

Гиперпараметры модели машинного обучения — это параметры, которые не извлекаются из данных. Их необходимо задавать до обучения модели на обучающей выборке. В этой главе вы научитесь настраивать гиперпараметры древовидной модели с помощью кросс-валидации на основе поиска по сетке.