AccueilCoursDécouvrir l’apprentissage supervisé avec scikit-learn

Ajuster un modèle avec les k plus proches voisins

Chapitre 2 · Découvrir les méthodes de classification · leçon 6 sur 51
متاحة للمشتركين فقط — إليك بدايتها
متابعة هذا الدرس متاحة للمشتركين فقط أنشئ حسابك المجاني لتجربة التمارين التوضيحية، ثم انتقل إلى الوصول الكامل متى شئت.

أنشئ حسابك المجاني

بدون بطاقة بنكية، في ثلاثين ثانية.
المتابعة باستخدام Google
أو
التسجيل بالبريد الإلكتروني
لديك حساب بالفعل؟ تسجيل الدخول
بمتابعتك، فإنك توافق على شروط الاستخدام وسياسة الخصوصية. تُستضاف بياناتك داخل الاتحاد الأوروبي.

الوصول الكامل إلى DATAGOZ

19 €/ شهريًا — أو 190 € / سنويًا
  • جميع الدورات المنشورة والمسارات المهنية
  • تمارين واختبارات قصيرة مصحَّحة تلقائيًا
  • تدريب وامتحان وشهادة متابعة
  • بدون التزام، ويمكن الإلغاء عبر الإنترنت
عرض الصيغ
هذا الدرس جزء من الدورة

اكتشف التعلم الخاضع للإشراف باستخدام scikit-learn

6 chapitres · 51 leçons
  • منصة التدريبمشتركون
  • Machine learning avec scikit-learnabonnés
  • Classification binaireabonnés
  • Étapes clés de l’apprentissage superviséabonnés
  • Relever un problème de classificationabonnés
  • Ajuster un modèle avec les k plus proches voisinsvous êtes ici
  • Effectuer des prédictions avec les k plus proches voisinsabonnés
  • Évaluer les performances du modèleabonnés
  • Séparer les données et mesurer la précisionabonnés
  • Identifier le surajustement et le sous-ajustementabonnés
  • Analyser la complexité du modèleabonnés
  • Introduction aux principes de la régressionabonnés
  • Créer et sélectionner des caractéristiques pertinentesabonnés
  • Construire un modèle de régression linéaireabonnés
  • Représenter graphiquement un modèle de régression linéaireabonnés
  • Assimiler les principes fondamentaux de la régression linéaireabonnés
  • Ajuster un modèle et réaliser des prédictionsabonnés
  • Évaluer les performances d’un modèle de régressionabonnés
  • Découvrir les principes de la validation croiséeabonnés
  • Évaluer le coefficient R² par validation croiséeabonnés
  • Interpréter les indicateurs de validation croiséeabonnés
  • Améliorer les modèles grâce à la régularisationabonnés
  • Appliquer la régularisation Ridge (Crête)abonnés
  • Identifier les caractéristiques importantes avec la régression Lassoabonnés
  • Évaluer la fiabilité et la qualité de votre modèleabonnés
  • Choisir une métrique d’évaluation adaptéeabonnés
  • Évaluer un classificateur de prédiction du diabèteabonnés
  • Découvrir la régression logistique et la courbe ROCabonnés
  • Construire un modèle de régression logistiqueabonnés
  • Tracer et interpréter la courbe ROCabonnés
  • Mesurer les performances avec l’aire sous la courbe ROC (ROC AUC)abonnés
  • Comprendre le réglage des hyperparamètresabonnés
  • Optimiser les hyperparamètres avec GridSearchCVabonnés
  • Explorer les hyperparamètres avec RandomizedSearchCVabonnés
  • Préparer et transformer les donnéesabonnés
  • Encoder les variables catégoriellesabonnés
  • Appliquer la régression aux données catégoriellesabonnés
  • Gérer les valeurs manquantesabonnés
  • Traiter les données incomplètes par suppressionabonnés
  • Construire un pipeline pour prédire le genre musical (1re partie)abonnés
  • Compléter le pipeline de prédiction du genre musical (2e partie)abonnés
  • Standardiser les données par centrage et mise à l’échelleabonnés
  • Appliquer la standardisation à un modèle de régressionabonnés
  • Standardiser les données pour la classificationabonnés
  • Comparer les performances de plusieurs modèlesabonnés
  • Visualiser les résultats des modèles de régressionabonnés
  • Effectuer des prédictions sur les données de testabonnés
  • Comparer graphiquement les performances des modèles de classificationabonnés
  • Créer un pipeline pour prédire la popularité des chansonsabonnés
  • Bilan des acquis du coursabonnés
  • خاتمة الدورة التدريبيةمشترِكون
الدرس التالي

Effectuer des prédictions avec les k plus proches voisins

عرض البرنامج أنشئ حسابًا للمتابعة