After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Описание курса
Создавать модели машинного обучения сегодня проще, чем когда-либо. Однако без надлежащей валидации результаты применения модели к новым данным могут оказаться не такими точными, как ожидается. Валидация модели позволяет аналитику уверенно ответить на вопрос: насколько хороша ваша модель? Мы разберём этот вопрос на примере моделей классификации — используя полный набор финальных позиций игры в крестики-нолики — и моделей регрессии — на основе датасета рейтинга Хэллоуинских конфет от fivethirtyeight. В курсе рассматриваются основы валидации моделей, различные методы валидации, а также инструменты для построения надёжных и высокопроизводительных моделей.
Предварительные требования
Программа
Структура курса
1
Основы построения моделей в scikit-learn
Прежде чем переходить к валидации моделей, необходимо разобраться, как их создавать и использовать. В этой главе даётся введение в построение моделей регрессии и классификации в scikit-learn. Этот фундамент мы будем использовать на протяжении всех последующих глав.
- Введение в валидацию моделей50 XP
- Этапы построения модели50 XP
- Знакомые и незнакомые данные100 XP
- Регрессионные модели50 XP
- Задание параметров и обучение модели100 XP
- Важность признаков100 XP
- Модели классификации50 XP
- Предсказания классификации100 XP
- Повторное использование параметров модели100 XP
- Классификатор на основе случайного леса100 XP
2
Основы валидации
Эта глава посвящена основам валидации моделей. Мы рассмотрим разбиение данных на обучающую, валидационную и тестовую выборки, а также изучим компромисс между смещением и дисперсией — всё это станет основой для методов K-Fold и Leave-One-Out, которые практикуются в третьей главе.
3
Кросс-валидация
Отложенная выборка — хорошее начало для валидации модели. Однако одного разбиения на обучающую и тестовую выборки зачастую недостаточно. Кросс-валидация считается золотым стандартом оценки качества модели и почти всегда применяется при подборе гиперпараметров. В этой главе мы сосредоточимся на проведении кросс-валидации для оценки производительности модели.
4
Выбор лучшей модели с помощью настройки гиперпараметров
В первых трёх главах рассматривались методы валидации моделей. В четвёртой главе мы применяем эти методы — в частности, кросс-валидацию — при изучении настройки гиперпараметров. В конечном счёте именно валидация модели делает настройку возможной и помогает выбрать наилучшую модель.
Валидация моделей на Python
Курс
завершён
