HomeCorsoClassificatori lineari in Python

Confrontare le prestazioni dei modelli

Capitolo 2 · Pratica della regressione logistica e degli SVM · lezione 4 su 46
Riservato agli abbonati — ecco l'inizio
Confrontare modelli Confrontate i classificatori dei k vicini più prossimi con k=1 e k=5 sull'insieme di dati delle cifre manoscritte, già caricato nelle variabili X_train, y_train, X_test e y_test. Potete definire k con il parametro n_neighbors durante la creazione dell'oggetto KNeighborsClassifier, che è anch'esso già importato nell'ambiente. Quale modello ottiene la migliore accuratezza sui dati di test? Istruzioni 35 XP Risposte possibili k=1 k=5 Suggerimento Create i due classificatori con KNeighborsClassifier(n_neighbors=1) e KNeighborsClassifier(n_neighbors=5). Poi addestrateli e valutatene il punteggio.
Il seguito di questa lezione è riservato agli abbonati Crea il tuo account gratuito per provare gli esercizi di esempio, poi passa all'accesso completo quando vuoi.

Crea il tuo account gratuito

Senza carta di credito, in trenta secondi.
Continua con Google
oppure
Iscriviti con un'e-mail
Già registrato? Accedi
Continuando, accetti le condizioni d'uso e la politica sulla privacy. I tuoi dati sono ospitati nell'Unione europea.

Accesso completo DATAGOZ

19 €/ mese — oppure 190 € / anno
  • Tutti i corsi pubblicati e i percorsi professionali
  • Esercizi e quiz corretti automaticamente
  • Allenamento, esame e attestato di frequenza
  • Senza impegno, disdettabile online
Vedi i piani
Questa lezione fa parte del corso

Classificatori lineari in Python

short_training6 capitoli · 46 lezioni
  • La piattaforma di formazioneiscritti
  • Richiamo dei fondamenti di scikit-learnabbonati
  • Scoprire la classificazione KNNabbonati
  • Confrontare le prestazioni dei modellisei qui
  • Capire l'overfittingabbonati
  • Applicare la regressione logistica e le SVMabbonati
  • Utilizzare LogisticRegression e SVCabbonati
  • Realizzare un'analisi del sentiment su recensioni di filmabbonati
  • Capire i classificatori lineariabbonati
  • Individuare i confini decisionali lineariabbonati
  • Visualizzare i confini decisionaliiscritti
  • Studiare i coefficienti dei classificatori lineariiscritti
  • Comprendere come i modelli producono le loro previsioniiscritti
  • Modificare i coefficienti di un modelloiscritti
  • Scoprire il concetto di funzione di perditaiscritti
  • Comprendere la funzione di perdita 0-1iscritti
  • Imparare a minimizzare una funzione di perditaiscritti
  • Visualizzare le diverse funzioni di perditaiscritti
  • Esplorare le funzioni di perdita nella classificazioneiscritti
  • Confrontare le funzioni di perdita logistica e hingeiscritti
  • Implementare un modello di regressione logisticaiscritti
  • Capire la regolarizzazione nella regressione logisticaiscritti
  • Implementare una regressione logistica regolarizzataiscritti
  • Utilizzare la regressione logistica per selezionare le variabiliiscritti
  • Individuare le parole più positive e più negativeiscritti
  • Capire le probabilità nella regressione logisticaiscritti
  • Estrarre le probabilità di appartenenza alle classiiscritti
  • Studiare l'effetto della regolarizzazione sulle probabilitàiscritti
  • Visualizzare esempi di classificazione semplici e complessiiscritti
  • Scoprire la regressione logistica multiclasseiscritti
  • Determinare il numero di coefficientiiscritti
  • Adattare un modello di regressione logistica multiclasseiscritti
  • Visualizzare i risultati della regressione logistica multiclasseiscritti
  • Applicare la strategia SVM uno-contro-tuttiiscritti
  • Comprendere i vettori di supportoiscritti
  • Identificare i vettori di supportoiscritti
  • Studiare l'effetto della rimozione di alcune osservazioniiscritti
  • Scoprire gli SVM a kerneliscritti
  • Iniziare a usare GridSearchCViscritti
  • Ottimizzare simultaneamente i parametri gamma e C con GridSearchCViscritti
  • Confrontare la regressione logistica, gli SVM e altri metodiiscritti
  • Identificare i vantaggi degli SVMiscritti
  • Identificare i vantaggi della regressione logisticaiscritti
  • Usare il modello SGDClassifierabbonati
  • In conclusioneabbonati
  • Conclusione del corsoiscritti
Lezione successiva

Capire il overfitting

Vedi il programma Crea un account per continuare