InícioCursosDescobrir a aprendizagem supervisionada com scikit-learn

Ajustar um modelo com os k vizinhos mais próximos

Capítulo 2 · Descubra os métodos de classificação · lição 6 de 51
Reservado aos subscritores — eis o seu início
A continuação desta lição é reservada aos subscritores Crie a sua conta gratuita para testar os exercícios de exemplo e, depois, passe para o acesso completo quando quiser.

Crie a sua conta gratuita

Sem cartão de crédito, em trinta segundos.
Continuar com o Google
ou
Inscrever-se com um e-mail
Já tem conta? Iniciar sessão
Ao continuar, aceita os termos de utilização e a política de privacidade. Os seus dados são alojados na União Europeia.

Acesso completo DATAGOZ

19 €/ mês — ou 190 € / ano
  • Todos os cursos publicados e os percursos profissionais
  • Exercícios e questionários corrigidos automaticamente
  • Treino, exame e certificado de frequência
  • Sem compromisso, cancelável online
Ver os planos
Esta lição faz parte do curso

Descobrir a aprendizagem supervisionada com scikit-learn

6 capítulos · 51 aulas
  • A plataforma de formaçãosubscritores
  • Machine learning com scikit-learnsubscritores
  • Classificação bináriasubscritores
  • Etapas-chave da aprendizagem supervisionadasubscritores
  • Abordar um problema de classificaçãosubscritores
  • Ajustar um modelo com os k vizinhos mais próximosvocê está aqui
  • Fazer previsões com k vizinhos mais próximossubscritores
  • Avaliar o desempenho do modeloseguidores
  • Separar os dados e medir a precisãoseguidores
  • Identificar o sobreajuste e o subajusteseguidores
  • Analisar a complexidade do modeloseguidores
  • Introdução aos princípios da regressãoseguidores
  • Criar e selecionar características relevantesseguidores
  • Construir um modelo de regressão linearseguidores
  • Representar graficamente um modelo de regressão linearseguidores
  • Assimilar os princípios fundamentais da regressão linearseguidores
  • Ajustar um modelo e realizar previsõesseguidores
  • Avaliar o desempenho de um modelo de regressãoseguidores
  • Descubra os princípios da validação cruzadaassinantes
  • Avalie o coeficiente R² por validação cruzadaassinantes
  • Interprete os indicadores de validação cruzadaassinantes
  • Melhore os modelos com a regularizaçãoassinantes
  • Aplique a regularização Ridge (Crista)assinantes
  • Identifique as características importantes com a regressão Lassoassinantes
  • Avalie a confiabilidade e a qualidade do seu modeloassinantes
  • Escolha uma métrica de avaliação adequadaassinantes
  • Avalie um classificador de previsão de diabetesassinantes
  • Descubra a regressão logística e a curva ROCassinantes
  • Construa um modelo de regressão logísticaassinantes
  • Tracer e interpretar a curva ROCsubscritores
  • Medir o desempenho com a área sob a curva ROC (ROC AUC)subscritores
  • Compreender a afinação dos hiperparâmetrossubscritores
  • Otimizar os hiperparâmetros com GridSearchCVsubscritores
  • Explorar os hiperparâmetros com RandomizedSearchCVsubscritores
  • Preparar e transformar os dadossubscritores
  • Codificar as variáveis categóricassubscritores
  • Aplicar a regressão aos dados categóricossubscritores
  • Gerir os valores em faltasubscritores
  • Tratar os dados incompletos por eliminaçãosubscritores
  • Construir um pipeline para prever o género musical (1.ª parte)subscritores
  • Completar o pipeline de previsão do género musical (2.ª parte)subscritores
  • Padronizar os dados por centralização e escalonamentosubscritores
  • Aplicar a padronização a um modelo de regressãosubscritores
  • Padronizar os dados para classificaçãosubscritores
  • Comparar o desempenho de vários modelossubscritores
  • Visualizar os resultados dos modelos de regressãosubscritores
  • Efetuar previsões sobre os dados de testesubscritores
  • Comparar graficamente o desempenho dos modelos de classificaçãosubscritores
  • Criar um pipeline para prever a popularidade das cançõessubscritores
  • Balanço dos conhecimentos adquiridos no cursosubscritores
  • Conclusão da formaçãoassinantes
Próxima lição

Fazer previsões com os k vizinhos mais próximos

Ver o programa Crie uma conta para continuar