After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Моделі машинного навчання сьогодні простіше впроваджувати, ніж будь-коли. Проте без належної валідації результати обробки нових даних моделлю можуть виявитися менш точними, ніж очікується. Валідація моделей дає змогу впевнено відповісти на запитання: наскільки добра ваша модель? Ми дамо цю відповідь для моделей класифікації, використовуючи повний набір кінцевих позицій у грі хрестики-нулики, а для моделей регресії — датасет рейтингу цукерок до Гелловіну від fivethirtyeight. У цьому курсі ми розглянемо основи валідації моделей, обговоримо різні методи валідації та почнемо розробляти інструменти для створення перевірених і високопродуктивних моделей.
Попередні вимоги
Навчальний план
Зміст курсу
1
Базове моделювання в scikit-learn
Перш ніж валідовувати моделі, потрібно зрозуміти, як їх створювати та з ними працювати. У цьому розділі подано вступ до запуску моделей регресії та класифікації в scikit-learn. Ми використовуватимемо цю базу побудови моделей упродовж решти розділів.
- Вступ до валідації моделей50 XP
- Кроки моделювання50 XP
- Побачені vs. непобачені дані100 XP
- Моделі регресії50 XP
- Задайте параметри та навчіть модель100 XP
- Важливості ознак100 XP
- Моделі класифікації50 XP
- Класифікаційні передбачення100 XP
- Повторне використання параметрів моделі100 XP
- Класифікатор Random Forest100 XP
2
Основи валідації
Цей розділ зосереджений на основах валідації моделей. Від поділу даних на тренувальний, валідаційний і тестовий набори — до розуміння компромісу зміщення–дисперсія — ми закладаємо основу для методів K-Fold і Leave-One-Out, які практикуватимемо в третьому розділі.
3
Крос-валідація
Відкладені вибірки — чудовий початок для валідації моделей. Однак одного тренувального та тестового набору часто недостатньо. Крос-валідація вважається золотим стандартом для перевірки якості моделі та майже завжди використовується під час налаштування гіперпараметрів. У цьому розділі ми зосередимося на виконанні крос-валідації для оцінювання роботи моделі.
4
Вибір найкращої моделі за допомогою налаштування гіперпараметрів.
Перші три розділи були присвячені технікам валідації моделей. У четвертому розділі ми застосуємо ці методи, зокрема крос-валідацію, вивчаючи налаштування гіперпараметрів. Адже саме валідація робить налаштування можливим і допомагає обрати загалом найкращу модель.
Валідація моделей у Python
Курс
завершено
