AccueilCoursDécouvrir l’apprentissage supervisé avec scikit-learn

Étapes clés de l’apprentissage supervisé

Chapitre 2 · Découvrir les méthodes de classification · leçon 4 sur 51
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

Descubre el aprendizaje supervisado con scikit-learn

6 chapitres · 51 leçons
  • La plataforma de formaciónsuscriptores
  • Machine learning avec scikit-learnabonnés
  • Classification binaireabonnés
  • Étapes clés de l’apprentissage supervisévous êtes ici
  • 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 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
  • Conclusión de la formaciónsuscriptores
Lección siguiente

Relever un problème de classification

Ver el programa Crea una cuenta para continuar