Odcinek
Regresja logistyczna klasyfikacji danych [Część 16] | Edukacja maszynowe dla początkujących
with Bea Stollnitz
W tym filmie wideo Bea Stollnitz, główny ambasador chmury w firmie Microsoft, przeprowadzi Cię przez szkolenie modelu regresji logistycznej przy użyciu danych dyni oczyszczonych i przekształconych w poprzednim filmie wideo.
Zawartość:
- Jak podzielić dane na funkcje wejściowe i etykiety
- Jak utworzyć model regresji logistycznej i wytrenować go przy użyciu naszych 🎃 danych
- Jak analizować przewidywania przy użyciu dokładności, dokładności, kompletności i wyniku F1
Dołącz do Bea, gdy rozwikła fascynujący świat regresji logistycznej i dowiedz się, jak można go wykorzystać w problemach klasyfikacji. To wideo jest idealne dla tych, którzy chcą rozszerzyć swoje zrozumienie technik regresji i poprawić zestaw umiejętności uczenia maszynowego.
Bądź na bieżąco z następnym filmem wideo z tej serii, poznasz jedną inną metodę, która ułatwia analizowanie jakości modelu: krzywych ROC. Zobacz cię tam!
Rozdziały
- 00:00 — wprowadzenie
- 00:16 - Używany notes
- 00:43 — Dzielenie danych na funkcje wejściowe i etykietę
- 00:57 — Trenowanie/testowanie splot
- 01:08 — Tworzenie klasy regresji logistycznej przy użyciu biblioteki SciKit Learn
- 01:30 — Analizowanie wyników regresji
- 01:45 — Co to jest macierz pomyłek?
- 02:35 — Obliczanie dokładności
- 02:52 — Precyzja, kompletność i wynik F1
- 03:55 — Średnia makro i średnia ważona
Zalecane zasoby
- Ten kurs jest oparty na bezpłatnym, open source, 26-lekcjach uczenia maszynowego dla początkujących program nauczania firmy Microsoft.
- Notes Jupyter Notebook , który należy wykonać wraz z tą lekcją, jest dostępny!
Połącz
- Bea Stollnitz | Blog
- Bea Stollnitz | Twitter: @beastollnitz
- Bea Stollnitz | LinkedIn: in/beatrizstollnitz/
W tym filmie wideo Bea Stollnitz, główny ambasador chmury w firmie Microsoft, przeprowadzi Cię przez szkolenie modelu regresji logistycznej przy użyciu danych dyni oczyszczonych i przekształconych w poprzednim filmie wideo.
Zawartość:
- Jak podzielić dane na funkcje wejściowe i etykiety
- Jak utworzyć model regresji logistycznej i wytrenować go przy użyciu naszych 🎃 danych
- Jak analizować przewidywania przy użyciu dokładności, dokładności, kompletności i wyniku F1
Dołącz do Bea, gdy rozwikła fascynujący świat regresji logistycznej i dowiedz się, jak można go wykorzystać w problemach klasyfikacji. To wideo jest idealne dla tych, którzy chcą rozszerzyć swoje zrozumienie technik regresji i poprawić zestaw umiejętności uczenia maszynowego.
Bądź na bieżąco z następnym filmem wideo z tej serii, poznasz jedną inną metodę, która ułatwia analizowanie jakości modelu: krzywych ROC. Zobacz cię tam!
Rozdziały
- 00:00 — wprowadzenie
- 00:16 - Używany notes
- 00:43 — Dzielenie danych na funkcje wejściowe i etykietę
- 00:57 — Trenowanie/testowanie splot
- 01:08 — Tworzenie klasy regresji logistycznej przy użyciu biblioteki SciKit Learn
- 01:30 — Analizowanie wyników regresji
- 01:45 — Co to jest macierz pomyłek?
- 02:35 — Obliczanie dokładności
- 02:52 — Precyzja, kompletność i wynik F1
- 03:55 — Średnia makro i średnia ważona
Zalecane zasoby
- Ten kurs jest oparty na bezpłatnym, open source, 26-lekcjach uczenia maszynowego dla początkujących program nauczania firmy Microsoft.
- Notes Jupyter Notebook , który należy wykonać wraz z tą lekcją, jest dostępny!
Połącz
- Bea Stollnitz | Blog
- Bea Stollnitz | Twitter: @beastollnitz
- Bea Stollnitz | LinkedIn: in/beatrizstollnitz/
Chcesz przesłać opinię? Prześlij problem tutaj.