StartseiteKurseLineare Klassifikatoren in Python

Überanpassung verstehen

Kapitel 2 · Praxisanwendung der logistischen Regression und der SVM · Lektion 5 von 46
Nur für Abonnenten — hier ist der Anfang
Überanpassung Welche der folgenden Situationen ähnelt einem Fall von Überanpassung? Beantworten Sie die Frage 0XP Mögliche Antworten Wählen Sie genau eine Antwort aus Trainingsgenauigkeit 50 %, Testgenauigkeit 50 %. Tippen Sie1 Trainingsgenauigkeit 95 %, Testgenauigkeit 95 %. Tippen Sie2 Trainingsgenauigkeit 95 %, Testgenauigkeit 50 %. Tippen Sie3 Trainingsgenauigkeit 50 %, Testgenauigkeit 95 %. Tippen Sie4 Hinweis Überanpassung bedeutet, dass Ihr Modell auf den Trainingsdaten sehr gut abschneidet, ohne aber unbedingt gut auf bisher ungesehene Daten (Testdaten) zu generalisieren.
Der weitere Verlauf dieser Lektion ist Abonnenten vorbehalten Erstellen Sie Ihr kostenloses Konto, um die Beispielübungen zu testen, und wechseln Sie dann jederzeit zum vollständigen Zugang.

Erstellen Sie Ihr kostenloses Konto

Ohne Kreditkarte, in dreißig Sekunden.
Mit Google fortfahren
oder
Mit E-Mail registrieren
Schon registriert? Anmelden
Mit der Fortsetzung akzeptieren Sie die Nutzungsbedingungen und die Datenschutzrichtlinie. Ihre Daten werden in der Europäischen Union gehostet.

DATAGOZ Vollzugang

19 €/ Monat — oder 190 € / Jahr
  • Alle veröffentlichten Kurse und Berufspfade
  • Übungen und Quizze mit automatischer Korrektur
  • Training, Prüfung und Teilnahmebescheinigung
  • Ohne Verpflichtung, online kündbar
Tarife ansehen
Diese Lektion gehört zum Kurs

Lineare Klassifikatoren in Python

short_training6 Kapitel · 46 Lektionen
  • Die SchulungsplattformAbonnenten
  • Auffrischung der Grundlagen von scikit-learnAbonnenten
  • Die KNN-Klassifikation kennenlernenAbonnenten
  • Die Leistung der Modelle vergleichenAbonnenten
  • Überanpassung verstehenSie sind hier
  • Logistische Regression und SVMs anwendenAbonnenten
  • LogisticRegression und SVC verwendenAbonnenten
  • Eine Sentimentanalyse von Filmkritiken durchführenAbonnenten
  • Lineare Klassifikatoren verstehenAbonnenten
  • Lineare Entscheidungsgrenzen identifizierenAbonnenten
  • Entscheidungsgrenzen visualisierenAbonnenten
  • Die Koeffizienten linearer Klassifikatoren untersuchenAbonnenten
  • Verstehen, wie Modelle ihre Vorhersagen erzeugenAbonnenten
  • Die Koeffizienten eines Modells ändernAbonnenten
  • Das Konzept der Verlustfunktion entdeckenAbonnenten
  • Die 0-1-Verlustfunktion verstehenAbonnenten
  • Lernen, eine Verlustfunktion zu minimierenAbonnenten
  • Die verschiedenen Verlustfunktionen visualisierenAbonnenten
  • Verlustfunktionen in der Klassifikation erkundenAbonnenten
  • Logistische und Hinge-Verlustfunktion vergleichenAbonnenten
  • Ein logistisches Regressionsmodell implementierenAbonnenten
  • Die Regularisierung in der logistischen Regression verstehenAbonnenten
  • Eine regularisierte logistische Regression implementierenAbonnenten
  • Die logistische Regression zur Variablenauswahl verwendenAbonnenten
  • Die positivsten und negativsten Wörter identifizierenAbonnenten
  • Wahrscheinlichkeiten in der logistischen Regression verstehenAbonnenten
  • Die Klassenzugehörigkeitswahrscheinlichkeiten extrahierenAbonnenten
  • Die Auswirkung der Regularisierung auf die Wahrscheinlichkeiten untersuchenAbonnenten
  • Einfache und komplexe Klassifikationsbeispiele visualisierenAbonnenten
  • Die multinomiale logistische Regression kennenlernenAbonnenten
  • Die Anzahl der Koeffizienten bestimmenAbonnenten
  • Ein multiklassiges logistisches Regressionsmodell anpassenAbonnenten
  • Logistische Regression für mehrklassige Ergebnisse visualisierenAbonnenten
  • One-vs-Rest-SVM-Strategie anwendenAbonnenten
  • Support-Vektoren verstehenAbonnenten
  • Support-Vektoren identifizierenAbonnenten
  • Die Auswirkung des Entfernens bestimmter Beobachtungen untersuchenAbonnenten
  • Kernel-SVMs entdeckenAbonnenten
  • GridSearchCV kennenlernenAbonnenten
  • Die Parameter gamma und C mit GridSearchCV gleichzeitig optimierenAbonnenten
  • Logistische Regression, SVMs und andere Methoden vergleichenAbonnenten
  • Die Vorteile von SVMs identifizierenAbonnenten
  • Die Vorteile der logistischen Regression identifizierenAbonnenten
  • Das Modell SGDClassifier verwendenAbonnenten
  • Zum AbschlussAbonnenten
  • Abschluss der SchulungAbonnenten
Nächste Lektion

Logistische Regression und SVMs anwenden

Programm anzeigen Konto erstellen, um fortzufahren