エピソード
ROC と AUC を使用してモデルのパフォーマンスを測定および最適化する - エピソード 9
Jason DeBoever と Glenn Stephens に参加して、Learn TVに参加し、この 9 部構成の「機械学習のためのデータ サイエンスの基礎」シリーズを探索してください。 毎週、Learn モジュールについて説明し、参加者の質問にライブで回答します。 基本的な従来の機械学習モデルから探索的データ分析やアーキテクチャのカスタマイズに至るまで、簡単に理解できる概念的なコンテンツと対話型の Jupyter Notebook をガイドとして提供し、基になる概念と、最も一般的な機械学習ツールを使用してモデルを構築する方法について説明します。
ROC と AUC を使用してモデルのパフォーマンスを測定および最適化する: エピソード 09
受信者操作特性曲線は、トレーニング済みの分類モデルを評価および微調整するための強力な方法です。 学習コンテンツと実践的な演習を通じて、これらの曲線の有用性を紹介し、説明します。 このエピソードでは、次のことを行います。
- ROC 曲線の作成方法を理解する。
- これらの曲線を使用してモデルを評価および比較する方法について詳しく調べる。
- ROC 曲線にプロットされた特性を使用してモデルを微調整する。
Jason DeBoever と Glenn Stephens に参加して、Learn TVに参加し、この 9 部構成の「機械学習のためのデータ サイエンスの基礎」シリーズを探索してください。 毎週、Learn モジュールについて説明し、参加者の質問にライブで回答します。 基本的な従来の機械学習モデルから探索的データ分析やアーキテクチャのカスタマイズに至るまで、簡単に理解できる概念的なコンテンツと対話型の Jupyter Notebook をガイドとして提供し、基になる概念と、最も一般的な機械学習ツールを使用してモデルを構築する方法について説明します。
ROC と AUC を使用してモデルのパフォーマンスを測定および最適化する: エピソード 09
受信者操作特性曲線は、トレーニング済みの分類モデルを評価および微調整するための強力な方法です。 学習コンテンツと実践的な演習を通じて、これらの曲線の有用性を紹介し、説明します。 このエピソードでは、次のことを行います。
- ROC 曲線の作成方法を理解する。
- これらの曲線を使用してモデルを評価および比較する方法について詳しく調べる。
- ROC 曲線にプロットされた特性を使用してモデルを微調整する。
ご意見およびご提案がある場合は、 こちらから問題を送信してください。