AccueilCoursDécouvrir l’apprentissage supervisé avec scikit-learn

Relever un problème de classification

Chapitre 2 · Découvrir les méthodes de classification · leçon 5 sur 51
Nur für Abonnenten — hier ist der Anfang
Le défi de la classification L’apprentissage supervisé repose sur l’utilisation de données déjà étiquetées. L’objectif est maintenant de comprendre comment construire un modèle de classification, appelé également classificateur, afin de prédire les étiquettes correspondant à de nouvelles données. Prédire les étiquettes de nouvelles données La classification repose sur quatre étapes principales. Tout d’abord, un classificateur est construit et entraîné à partir de données étiquetées qui lui sont fournies. Ensuite, de nouvelles données, dont les étiquettes sont inconnues, lui sont présentées afin qu’il puisse prédire leur catégorie. Les données étiquetées utilisées pour apprendre au modèle à e
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 classificationvous êtes ici
  • Ajuster un modèle avec les k plus proches voisinsabonnés
  • 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
  • Abschluss der SchulungAbonnenten
Nächste Lektion

Ajuster un modèle avec les k plus proches voisins

Programm anzeigen Konto erstellen, um fortzufahren