Episode

Logistische Regression zur Klassifizierung von Daten [Teil 16] | Maschinelles Lernen für Anfänger

durch Bea Stollnitz

Maschinelles Lernen für Einsteiger

In diesem Video führt Sie Bea Stollnitz, ein Principal Cloud Advocate bei Microsoft, durch die Schulung eines Logistischen Regressionsmodells mithilfe der sauber und transformierten Kürbisdaten im vorherigen Video.

Sie lernen Folgendes:

  • Aufteilen von Daten in Eingabefeatures und Bezeichnungen
  • So erstellen Sie ein logistisches Regressionsmodell und trainieren es mit unseren 🎃 Daten
  • Analysieren der Vorhersagen mithilfe von Genauigkeit, Genauigkeit, Rückruf und F1-Bewertung

Treten Sie Bea bei, während sie die faszinierende Welt der logistischen Regression entwirf und erfahren, wie sie in Klassifizierungsproblemen genutzt werden kann. Dieses Video eignet sich perfekt für diejenigen, die ihr Verständnis von Regressionstechniken erweitern und ihre maschinelle Lernfähigkeit verbessern möchten.

Bleiben Sie auf dem nächsten Video dieser Reihe auf dem Laufenden, lernen Sie eine andere Methode kennen, mit der Sie die Qualität Ihres Modells analysieren können: ROC-Kurven. Wir sehen uns!

Kapitel

  • 00:00: Einführung
  • 00:16 - Das Notizbuch, das wir verwenden
  • 00:43 - Teilen Sie die Daten in Eingabefeatures und Beschriftung.
  • 00:57 - Zug/Test splot
  • 01:08 - Erstellen einer logistischen Regressionsklasse mit SciKit Learn
  • 01:30 - Analysieren der Ergebnisse der Regression
  • 01:45 - Was ist eine Verwirrungsmatrix?
  • 02:35 - Berechnen der Genauigkeit
  • 02:52 - Genauigkeit, Rückruf und F1-Punktzahl
  • 03:55 - Mittelwert des Makros und gewichteter Mittelwert
  • Dieser Kurs basiert auf dem kostenlosen Open-Source-Lehrplan ML For Beginners (ML für Einsteiger) mit 26 Lektionen von Microsoft.
  • Das Jupyter-Notizbuch , das Sie zusammen mit dieser Lektion verfolgen können, ist verfügbar!

Verbinden

Azure Machine Learning
Python