AccueilCoursDécouvrir l’apprentissage supervisé avec scikit-learn

Évaluer les performances du modèle

Chapitre 2 · Découvrir les méthodes de classification · leçon 8 sur 51
Nur für Abonnenten — hier ist der Anfang
Évaluer les performances d’un modèle Maintenant que nous savons utiliser un classificateur pour effectuer des prédictions, il est important de déterminer si celles-ci sont fiables. Pour cela, nous devons mesurer les performances du modèle à l’aide de métriques d’évaluation. En classification, l’une des métriques les plus utilisées est l’exactitude (accuracy). Elle correspond au rapport entre le nombre de prédictions correctes et le nombre total d’observations. Comprendre l’évaluation des performances Pour mesurer l’exactitude d’un modèle, il serait possible de calculer cette métrique directement sur les données utilisées pour entraîner le classificateur. Cependant, cette méthode présente une
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

Entdecken Sie überwachtes Lernen mit scikit-learn

6 chapitres · 51 leçons
  • Die SchulungsplattformAbonnenten
  • 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 voisinsabonnés
  • Effectuer des prédictions avec les k plus proches voisinsabonnés
  • Évaluer les performances du modèlevous êtes ici
  • 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
  • Abschluss der SchulungAbonnenten
Nächste Lektion

Séparer les données et mesurer la précision

Programm anzeigen Konto erstellen, um fortzufahren