AccueilCoursClassifieurs linéaires en Python

Rappel des fondamentaux de scikit-learn

Chapitre 2 · Mise en pratique de la régression logistique et des SVM · leçon 2 sur 46
Réservée aux abonnés — voici son début
1. Bienvenue dans le cours !00:00 - 00:32 Bienvenue dans ce cours sur la régression logistique et les machines à vecteurs de support avec Python ! Dans ce premier chapitre, nous allons voir la syntaxe pour utiliser ces classifieurs dans scikit-learn. Dans le chapitre deux, nous ferons une étude plus conceptuelle des fonctions de perte. Cela servira de base pour aller plus loin dans la régression logistique et les machines à vecteurs de support (ou S-V-M) dans les chapitres trois et quatre. 2. Prérequis00:32 - 01:07 Dans ce cours, nous supposerons que vous avez suivi les cours prérequis ou disposez d'un niveau de connaissances équivalent. Dans cette vidéo, nous allons passer en revue brièveme
La suite de cette leçon est réservée aux abonnés Créez votre compte gratuit pour tester les exercices d’exemple, puis passez à l'accès complet quand vous le souhaitez.

Créez votre compte gratuit

Sans carte bancaire, en trente secondes.
Continuer avec Google
ou
S'inscrire avec un e-mail
Déjà inscrit ? Se connecter
En continuant, vous acceptez les conditions d'utilisation et la politique de confidentialité. Vos données sont hébergées dans l'Union européenne.

Accès complet DATAGOZ

19 €/ mois — ou 190 € / an
  • Tous les cours publiés et les parcours métier
  • Exercices et quiz corrigés automatiquement
  • Entraînement, examen et attestation de suivi
  • Sans engagement, résiliable en ligne
Voir les formules
Cette leçon fait partie du cours

Classifieurs linéaires en Python

short_training6 chapitres · 46 leçons
  • La plateforme de formationabonnés
  • Rappel des fondamentaux de scikit-learnvous êtes ici
  • Découvrir la classification KNNabonnés
  • Comparer les performances des modèlesabonnés
  • Comprendre le surapprentissageabonnés
  • Appliquer la régression logistique et les SVMabonnés
  • Utiliser LogisticRegression et SVCabonnés
  • Réaliser une analyse de sentiment sur des critiques de filmsabonnés
  • Comprendre les classificateurs linéairesabonnés
  • Identifier les frontières de décision linéairesabonnés
  • Visualiser les frontières de décisionabonnés
  • Étudier les coefficients des classificateurs linéairesabonnés
  • Comprendre comment les modèles produisent leurs prédictionsabonnés
  • Modifier les coefficients d’un modèleabonnés
  • Découvrir le concept de fonction de perteabonnés
  • Comprendre la fonction de perte 0-1abonnés
  • Apprendre à minimiser une fonction de perteabonnés
  • Visualiser les différentes fonctions de perteabonnés
  • Explorer les fonctions de perte en classificationabonnés
  • Comparer les fonctions de perte logistique et hingeabonnés
  • Implémenter un modèle de régression logistiqueabonnés
  • Comprendre la régularisation en régression logistiqueabonnés
  • Mettre en œuvre une régression logistique régulariséeabonnés
  • Utiliser la régression logistique pour sélectionner les variablesabonnés
  • Identifier les mots les plus positifs et les plus négatifsabonnés
  • Comprendre les probabilités en régression logistiqueabonnés
  • Extraire les probabilités d'appartenance aux classesabonnés
  • Étudier l'effet de la régularisation sur les probabilitésabonnés
  • Visualiser des exemples de classification simples et complexesabonnés
  • Découvrir la régression logistique multiclasseabonnés
  • Déterminer le nombre de coefficientsabonnés
  • Ajuster un modèle de régression logistique multiclasseabonnés
  • Visualiser les résultats de la régression logistique multiclasseabonnés
  • Appliquer la stratégie SVM un-contre-tousabonnés
  • Comprendre les vecteurs de supportabonnés
  • Identifier les vecteurs de supportabonnés
  • Étudier l'effet du retrait de certaines observationsabonnés
  • Découvrir les SVM à noyauabonnés
  • Prendre en main GridSearchCVabonnés
  • Optimiser simultanément les paramètres gamma et C avec GridSearchCVabonnés
  • Comparer la régression logistique, les SVM et d'autres méthodesabonnés
  • Identifier les avantages des SVMabonnés
  • Identifier les avantages de la régression logistiqueabonnés
  • Utiliser le modèle SGDClassifierabonnés
  • Pour conclureabonnés
  • Conclusion de la formationabonnés
Leçon suivante

Découvrir la classification KNN

Voir le programme Créer un compte pour continuer