After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
如今实现机器学习模型比以往更容易。但如果没有妥善验证，将新数据输入模型后得到的结果可能达不到预期准确度。模型验证能让分析师有把握地回答：您的模型到底有多好？本课程将用井字棋终局的完整情形来回答分类模型的问题，用 FiveThirtyEight 的"终极万圣节糖果实力排行榜"数据集来回答回归模型的问题。课程将讲解模型验证的基础，讨论多种验证技术，并开始构建创建可验证且高性能模型的工具。
先修要求
课程大纲
课程大纲
1
scikit-learn 的基础建模
在验证模型之前，您需要先了解如何创建并使用模型。本章将介绍在 scikit-learn 中运行回归和分类模型。接下来几章都会在此建模基础上展开。
2
验证基础
本章聚焦模型验证的基本概念。从将数据拆分为训练集、验证集和测试集，到理解偏差-方差权衡，我们为第 3 章将要练习的 K 折和留一法验证技术打下基础。
3
交叉验证
留出集是进行模型验证的良好起点。然而，仅使用单一的训练集与测试集往往不够。交叉验证被视为评估模型性能的黄金标准，并且在调优模型超参数时几乎总会使用。本章将重点讲解如何执行交叉验证来验证模型性能。
4
用超参数调优选择最佳模型
前 3 章集中介绍了模型验证技术。在第 4 章中，您将学习超参数调优，并应用这些技术，尤其是交叉验证。归根结底，模型验证让调优成为可能，并帮助我们选出整体表现最好的模型。
Python 中的模型验证
课程完成
