Серия
Анализ производительности логистической регрессии с помощью кривых ROC [часть 17] | Машинное обучение для начинающих
на Bea Stollnitz
Присоединитесь к Bea Stollnitz, главный адвокат по облачным технологиям в Корпорации Майкрософт, как она учит вас, как анализировать производительность модели логистической регрессии с помощью кривых ROC (ROC (операционные характеристики приемника). Мы будем использовать их для оценки классификатора логистической регрессии, встроенного в предыдущем видео с помощью набора данных 🎃 тыквы.
Из этого руководства вы узнаете, как выполнять такие задачи:
- Какая кривая ROC
- Как кривая ROC помогает оценить двоичные классификаторы
- Как кривая ROC связана с матрицей путаницы
Bea поможет вам создать кривую ROC с помощью Python в записной книжке Juypter и как интерпретировать результаты для получения аналитических сведений о производительности модели.
Следите за следующим видео в этой серии, поэтому вы не пропустите предстоящие видео в серии ML для начинающих!
Главы
- 00:00: введение
- 00:17 - Что такое кривая ROC?
- 00:37 - Записная книжка, над которыми мы работаем
- 00:55 — определение кривой ROC
- 01:29 — выбор нового порогового значения для логистической регрессии
- 02:21 — график ROC с использованием нескольких пороговых значений классификации
- 02:43 . Создание кривой ROC в коде
- 03:00 — форма кривой ROC
- 03:38 — чтение кривой ROC
- 04:10 . Вычисление области под кривой ROC
Рекомендуемые ресурсы
- Этот курс основан на бесплатной учебной программе с открытым исходным кодом, 26 занятий ML для начинающих от Майкрософт.
- Записная книжка Jupyter, наряду с этим занятием, доступна!
Связь
- Bea Stollnitz | Блог
- Bea Stollnitz | Twitter: @beastollnitz
- Bea Stollnitz | LinkedIn: in/beatrizstollnitz/
Присоединитесь к Bea Stollnitz, главный адвокат по облачным технологиям в Корпорации Майкрософт, как она учит вас, как анализировать производительность модели логистической регрессии с помощью кривых ROC (ROC (операционные характеристики приемника). Мы будем использовать их для оценки классификатора логистической регрессии, встроенного в предыдущем видео с помощью набора данных 🎃 тыквы.
Из этого руководства вы узнаете, как выполнять такие задачи:
- Какая кривая ROC
- Как кривая ROC помогает оценить двоичные классификаторы
- Как кривая ROC связана с матрицей путаницы
Bea поможет вам создать кривую ROC с помощью Python в записной книжке Juypter и как интерпретировать результаты для получения аналитических сведений о производительности модели.
Следите за следующим видео в этой серии, поэтому вы не пропустите предстоящие видео в серии ML для начинающих!
Главы
- 00:00: введение
- 00:17 - Что такое кривая ROC?
- 00:37 - Записная книжка, над которыми мы работаем
- 00:55 — определение кривой ROC
- 01:29 — выбор нового порогового значения для логистической регрессии
- 02:21 — график ROC с использованием нескольких пороговых значений классификации
- 02:43 . Создание кривой ROC в коде
- 03:00 — форма кривой ROC
- 03:38 — чтение кривой ROC
- 04:10 . Вычисление области под кривой ROC
Рекомендуемые ресурсы
- Этот курс основан на бесплатной учебной программе с открытым исходным кодом, 26 занятий ML для начинающих от Майкрософт.
- Записная книжка Jupyter, наряду с этим занятием, доступна!
Связь
- Bea Stollnitz | Блог
- Bea Stollnitz | Twitter: @beastollnitz
- Bea Stollnitz | LinkedIn: in/beatrizstollnitz/
Хотите оставить отзыв? Сообщить о проблеме можно здесь.