After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
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
Программа
Структура курса
1
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.
- Дерево решений для классификации50 XP
- Обучите первое дерево классификации100 XP
- Оценка дерева классификации100 XP
- Логистическая регрессия vs дерево классификации100 XP
- Обучение классификационного дерева50 XP
- Построение дерева классификации50 XP
- Использование энтропии в качестве критерия100 XP
- Энтропия против индекса Джини100 XP
- Дерево решений для регрессии50 XP
- Обучите первое дерево регрессии100 XP
- Оценка дерева регрессии100 XP
- Линейная регрессия против регрессионного дерева100 XP
2
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.
3
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.
4
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.
5
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.
Машинное обучение на основе древовидных моделей в Python
Курс
завершён
