Этот курс погружает учащихся в важнейшие аспекты кросс-валидации и оптимизации гиперпараметров с применением библиотеки Scikit-learn.
Начнём с изучения базовых методов оценки моделей, используя функции cross_val_score и cross_validate, чтобы получать более точную оценку производительности модели путем использования кросс-валидации.
Важной составляющей курса станет изучение различных стратегий кросс-валидации, таких как LeaveOneOut, ShuffleSplit и GroupKFold, каждая из которых подходит для определенных типов задач и данных.
Курс также охватывает анализ кривых обучения с использованием функции learning_curve, что поможет понять, как объем данных влияет на производительность модели.
Уделяется внимание и кривым валидации через функцию validation_curve, которая демонстрирует, как изменение гиперпараметров отражается на качестве модели.
Изучение функции permutation_test_score позволит оценивать значимость моделей с использованием перестановочных тестов.
Также рассматривается техника прогнозирования с кросс-валидацией через cross_val_predict, что окажется полезным для визуализации результатов.
Наконец, познакомимся с методами оптимизации гиперпараметров, используя GridSearchCV и RandomizedSearchCV, что позволит автоматизировать процесс поиска наилучших гиперпараметров для моделей.
Начальные требования
Курс для тех, кто уже сделал первые шаги в изучении машинного обучения, но, столкнувшись с вопросами кросс-валидации и оптимизации гиперпараметров, ощутил необходимость более глубокого понимания этих ключевых аспектов.
Программа курса
Перекрёстная проверка
Методы оптимизации гиперпараметров
- Введение
- cross_val_score()
- cross_validate()
- LeaveOneOut
- ShuffleSplit, StratifiedShuffleSplit
- GroupKFold
- TimeSeriesSplit
- learning_curve()
- validation_curve()
- permutation_test_score()
- cross_val_predict()
- GridSearchCV
- RandomizedSearchCV
Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...
Новые складчины | страница 4
Категории
Страница 4 из 34
