InicioCursosClasificadores lineales en Python

Descubrir la clasificación KNN

Capítulo 2 · Puesta en práctica de la regresión logística y las SVM · lección 3 de 46
Reservado a los suscriptores — aquí tienes su inicio
El resto de esta lección está reservado a los suscriptores Crea tu cuenta gratuita para probar los ejercicios de ejemplo y, cuando quieras, pásate al acceso completo.

Cree su cuenta gratuita

Sin tarjeta de crédito, en treinta segundos.
Continuar con Google
o
Registrarse con un correo electrónico
¿Ya tienes cuenta? Iniciar sesión
Al continuar, aceptas las condiciones de uso y la política de privacidad. Tus datos están alojados en la Unión Europea.

Acceso completo DATAGOZ

19 €/ mes — o 190 € / año
  • Todos los cursos publicados y los itinerarios profesionales
  • Ejercicios y cuestionarios corregidos automáticamente
  • Práctica, examen y certificado de seguimiento
  • Sin compromiso, cancelable en línea
Ver las fórmulas
Esta lección forma parte del curso

Clasificadores lineales en Python

short_training6 capítulos · 46 lecciones
  • La plataforma de formaciónsuscriptores
  • Repaso de los fundamentos de scikit-learnsuscriptores
  • Descubrir la clasificación KNNestás aquí
  • Comparar el rendimiento de los modelossuscriptores
  • Comprender el sobreajustesuscriptores
  • Aplicar la regresión logística y las SVMsuscriptores
  • Usar LogisticRegression y SVCsuscriptores
  • Realizar un análisis de sentimiento sobre reseñas de películassuscriptores
  • Comprender los clasificadores linealessuscriptores
  • Identificar las fronteras de decisión linealessuscriptores
  • Visualizar las fronteras de decisiónsuscriptores
  • Estudiar los coeficientes de los clasificadores linealessuscriptores
  • Comprender cómo los modelos producen sus prediccionessuscriptores
  • Modificar los coeficientes de un modelosuscriptores
  • Descubrir el concepto de función de pérdidasuscriptores
  • Comprender la función de pérdida 0-1seguidores
  • Aprender a minimizar una función de pérdidaseguidores
  • Visualizar las distintas funciones de pérdidaseguidores
  • Explorar las funciones de pérdida en clasificaciónseguidores
  • Comparar las funciones de pérdida logística y hingeseguidores
  • Implementar un modelo de regresión logísticaseguidores
  • Comprender la regularización en regresión logísticaseguidores
  • Implementar una regresión logística regularizadaseguidores
  • Utilizar la regresión logística para seleccionar variablesseguidores
  • Identificar las palabras más positivas y más negativasseguidores
  • Comprender las probabilidades en regresión logísticaseguidores
  • Extraer las probabilidades de pertenencia a las clasesabonados
  • Estudiar el efecto de la regularización sobre las probabilidadesabonados
  • Visualizar ejemplos de clasificación simples y complejosabonados
  • Descubrir la regresión logística multiclaseabonados
  • Determinar el número de coeficientesabonados
  • Ajustar un modelo de regresión logística multiclaseabonados
  • Visualizar los resultados de la regresión logística multiclaseabonados
  • Aplicar la estrategia SVM uno contra todosabonados
  • Comprender los vectores de soporteabonados
  • Identificar los vectores de soporteabonados
  • Estudiar el efecto de la eliminación de ciertas observacionesabonados
  • Descubrir las SVM con núcleosuscriptores
  • Empezar con GridSearchCVsuscriptores
  • Optimizar simultáneamente los parámetros gamma y C con GridSearchCVsuscriptores
  • Comparar la regresión logística, las SVM y otros métodossuscriptores
  • Identificar las ventajas de las SVMsuscriptores
  • Identificar las ventajas de la regresión logísticasuscriptores
  • Utilizar el modelo SGDClassifiersuscriptores
  • Para concluirsuscriptores
  • Conclusión de la formaciónsuscriptores
Lección siguiente

Comparar el rendimiento de los modelos

Ver el programa Crea una cuenta para continuar