AccueilCoursDécouvrir l’apprentissage supervisé avec scikit-learn

Analyser la complexité du modèle

Chapitre 2 · Découvrir les méthodes de classification · leçon 11 sur 51
Reserved for subscribers — here is the beginning
The rest of this lesson is reserved for subscribers Create your free account to try the sample exercises, then upgrade to full access whenever you like.

Create your free account

No credit card required, in thirty seconds.
Continue with Google
or
Sign up with an e-mail
Already registered? Log in
By continuing, you agree to the terms of use and the privacy policy. Your data is hosted in the European Union.

Full access DATAGOZ

19 €/ month — or 190 € / year
  • All published courses and career paths
  • Exercises and quizzes with automatic grading
  • Practice, exam and certificate of completion
  • No commitment, cancel online
See the plans
This lesson is part of the course

Discover supervised learning with scikit-learn

6 chapitres · 51 leçons
  • The training platformsubscribers
  • 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 modèleabonnés
  • Séparer les données et mesurer la précisionabonnés
  • Identifier le surajustement et le sous-ajustementabonnés
  • Analyser la complexité du modèlevous êtes ici
  • 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
  • Course conclusionsubscribers
Next lesson

Introduction aux principes de la régression

View the programme Create an account to continue