After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Дерева рішень — це моделі контрольованого навчання, які застосовують до задач класифікації та регресії. Деревам притаманна висока гнучкість, що має свою ціну: з одного боку, вони здатні відображати складні нелінійні взаємозв'язки; з іншого — схильні запам'ятовувати шум у наборі даних. Об'єднуючи передбачення дерев, навчених по-різному, методи ансамблю поєднують гнучкість дерев і водночас зменшують їхню схильність запам'ятовувати шум. Ансамблеві методи використовують у багатьох галузях, і вони мають доведену історію перемог у численних змаганнях з машинного навчання.
У цьому курсі ви навчитеся використовувати Python для тренування дерев рішень і деревоподібних моделей за допомогою зручної бібліотеки машинного навчання scikit-learn. Ви зрозумієте переваги та обмеження дерев і побачите, як ансамблювання допомагає усунути ці недоліки, практикуючись на наборах реальних даних. Нарешті, ви також навчитеся налаштовувати найвпливовіші гіперпараметри, щоб отримати від своїх моделей якнайкращі результати.
Попередні вимоги
Навчальний план
Зміст курсу
1
Дерева класифікації та регресії
Дерева класифікації та регресії (CART) — це набір моделей контрольованого навчання для задач класифікації та регресії. У цьому розділі ви познайомитеся з алгоритмом CART.
- Дерево рішень для класифікації50 XP
- Навчіть своє перше дерево класифікації100 XP
- Оцініть дерево класифікації100 XP
- Логістична регресія vs дерево класифікації100 XP
- Навчання дерева класифікації50 XP
- Побудова дерева класифікації50 XP
- Використання ентропії як критерію100 XP
- Ентропія vs індекс Джіні100 XP
- Дерево рішень для регресії50 XP
- Навчіть свій перший регресійний дерево100 XP
- Оцініть регресійне дерево100 XP
- Лінійна регресія проти дерева регресії100 XP
2
Компроміс між зміщенням і дисперсією
Компроміс між зміщенням і дисперсією — одна з базових концепцій контрольованого машинного навчання. У цьому розділі ви навчитеся діагностувати проблеми перенавчання та недонавчання. Також ви познайомитеся з ідеєю ансамблювання, коли передбачення кількох моделей об'єднують, щоб отримати більш стійкі результати.
3
Бегінг і випадкові ліси
Бегінг — це ансамблевий метод, у межах якого один і той самий алгоритм навчають багато разів на різних підвибірках, взятих із тренувальних даних. У цьому розділі ви зрозумієте, як за допомогою бегінгу створити ансамбль дерев. Ви також дізнаєтеся, як алгоритм випадкових лісів забезпечує додаткове різноманіття ансамблю завдяки рандомізації на рівні кожного розбиття в деревах ансамблю.
4
Бустинг
Бустинг — це ансамблевий метод, у якому моделі навчають послідовно, і кожна наступна модель вчиться на помилках попередніх. У цьому розділі ви познайомитеся з двома підходами бустингу: AdaBoost і Gradient Boosting.
5
Налаштування моделі
Гіперпараметри моделі машинного навчання — це параметри, які не навчаються з даних. Їх слід встановити до навчання моделі на тренувальній вибірці. У цьому розділі ви дізнаєтеся, як налаштовувати гіперпараметри деревоподібної моделі за допомогою перехресної перевірки з перебором по сітці (grid search).
Машинне навчання з деревоподібними моделями в Python
Курс
завершено
