Épisode
Analyse des performances de régression logistique avec des courbes ROC [Partie 17] | Machine Apprentissage pour les débutants
par Bea Stollnitz
Rejoignez Bea Stollnitz, principal Cloud Advocate chez Microsoft, car elle vous apprend à analyser les performances de votre modèle de régression logistique à l’aide des courbes ROC (Caractéristique de fonctionnement du récepteur). Nous allons les utiliser pour évaluer le classifieur de régression logistique créé dans la vidéo précédente à l’aide de notre jeu 🎃 de données de citrouille.
Ce que vous allez apprendre :
- Qu’est-ce qu’une courbe ROC ?
- Comment une courbe ROC aide à évaluer les classifieurs binaires
- Relation entre une courbe ROC et une matrice de confusion
Bea vous guide tout au long du processus de création d’une courbe ROC à l’aide de Python dans un notebook Juypter et explique comment interpréter ses résultats pour obtenir des insights sur les performances de votre modèle.
Restez à l’écoute pour la prochaine vidéo de cette série, donc vous ne manquerez pas les vidéos à venir dans la série ML pour débutants !
Chapitres
- 00:00 - Introduction
- 00 :17 - Qu’est-ce qu’une courbe ROC ?
- 00 :37 - Le bloc-notes sur lequel nous travaillons
- 00 :55 - Définition d’une courbe ROC
- 01 :29 - Choix d’un nouveau seuil pour la régression logistique
- 02 :21 - Tracer roc à l’aide de plusieurs seuils de classification
- 02 :43 - Créer une courbe ROC dans le code
- 03 :00 - Forme d’une courbe ROC
- 03 :38 - Lecture d’une courbe ROC
- 04 :10 - Calculer la zone sous la courbe ROC
Ressources recommandées
- Ce cours est basé sur le programme gratuit et open source ML pour les débutants de Microsoft, qui compte 26 leçons.
- Le bloc-notes Jupyter à suivre avec cette leçon est disponible !
Se connecter
- Bea Stollnitz | Blog
- Bea Stollnitz | Twitter : @beastollnitz
- Bea Stollnitz | LinkedIn : in/beatrizstollnitz/
Rejoignez Bea Stollnitz, principal Cloud Advocate chez Microsoft, car elle vous apprend à analyser les performances de votre modèle de régression logistique à l’aide des courbes ROC (Caractéristique de fonctionnement du récepteur). Nous allons les utiliser pour évaluer le classifieur de régression logistique créé dans la vidéo précédente à l’aide de notre jeu 🎃 de données de citrouille.
Ce que vous allez apprendre :
- Qu’est-ce qu’une courbe ROC ?
- Comment une courbe ROC aide à évaluer les classifieurs binaires
- Relation entre une courbe ROC et une matrice de confusion
Bea vous guide tout au long du processus de création d’une courbe ROC à l’aide de Python dans un notebook Juypter et explique comment interpréter ses résultats pour obtenir des insights sur les performances de votre modèle.
Restez à l’écoute pour la prochaine vidéo de cette série, donc vous ne manquerez pas les vidéos à venir dans la série ML pour débutants !
Chapitres
- 00:00 - Introduction
- 00 :17 - Qu’est-ce qu’une courbe ROC ?
- 00 :37 - Le bloc-notes sur lequel nous travaillons
- 00 :55 - Définition d’une courbe ROC
- 01 :29 - Choix d’un nouveau seuil pour la régression logistique
- 02 :21 - Tracer roc à l’aide de plusieurs seuils de classification
- 02 :43 - Créer une courbe ROC dans le code
- 03 :00 - Forme d’une courbe ROC
- 03 :38 - Lecture d’une courbe ROC
- 04 :10 - Calculer la zone sous la courbe ROC
Ressources recommandées
- Ce cours est basé sur le programme gratuit et open source ML pour les débutants de Microsoft, qui compte 26 leçons.
- Le bloc-notes Jupyter à suivre avec cette leçon est disponible !
Se connecter
- Bea Stollnitz | Blog
- Bea Stollnitz | Twitter : @beastollnitz
- Bea Stollnitz | LinkedIn : in/beatrizstollnitz/
Vous voulez donner votre avis ? Soumettez un problème ici.