After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Maskininlärningsmodeller är enklare att implementera än någonsin tidigare. Utan ordentlig validering kan resultaten från att köra ny data genom en modell bli mindre tillförlitliga än förväntat. Modellvalidering ger analytiker möjlighet att med säkerhet svara på frågan: hur bra är din modell? Vi besvarar den frågan för klassificeringsmodeller med hjälp av alla möjliga slutspelsscenarier i luffarschack, och för regressionsmodeller med fivethirtyeights rankingdataset för Halloween-godis. Kursen täcker grunderna i modellvalidering, olika valideringstekniker och hur du bygger upp verktyg för validerade modeller med hög prestanda.
Förkunskapskrav
Kursplan
Kursöversikt
1
Grundläggande modellering i scikit-learn
Innan vi kan validera modeller behöver vi förstå hur man skapar och arbetar med dem. Det här kapitlet ger en introduktion till att köra regressions- och klassificeringsmodeller i scikit-learn. Den grunden för modellbyggande använder vi sedan genom hela kursen.
- Introduktion till modellvalidering50 XP
- Modelleringssteg50 XP
- Sedd kontra osedd data100 XP
- Regressionsmodeller50 XP
- Ange parametrar och träna en modell100 XP
- Särdragets viktighet100 XP
- Klassificeringsmodeller50 XP
- Klassificeringsprediktioner100 XP
- Återanvända modellparametrar100 XP
- Random forest-klassificerare100 XP
2
Grunderna i validering
Det här kapitlet fokuserar på grunderna i modellvalidering. Vi går igenom hur man delar upp data i tränings-, validerings- och testmängder, och bygger upp en förståelse för avvägningen mellan bias och varians – som grund för teknikerna K-fold och Leave-One-Out som vi övar i kapitel tre.
3
Korsvalidering
Hålloutmängder är en bra start för modellvalidering, men att använda en enda tränings- och testmängd räcker ofta inte. Korsvalidering anses vara standarden för att validera modellprestanda och används nästan alltid vid justering av modellhyperparametrar. Det här kapitlet fokuserar på att utföra korsvalidering för att validera modellprestanda.
4
Välj den bästa modellen med hyperparameterjustering
De tre första kapitlen fokuserade på valideringstekniker för modeller. I kapitel 4 tillämpar vi dessa tekniker – framför allt korsvalidering – samtidigt som vi lär oss om hyperparameterjustering. Modellvalidering möjliggör ju justering och hjälper oss att välja den bästa modellen.
Modellvalidering i Python
Kurs
slutförd
