Серия
Логистическая регрессия для классификации данных [часть 16] | Машинное обучение для начинающих
на Bea Stollnitz
В этом видео Bea Stollnitz, главный защитник облака в Майкрософт, поможет вам обучить модель логистической регрессии с помощью данных тыквы, которые мы очищали и преобразовали в предыдущем видео.
Из этого руководства вы узнаете, как выполнять такие задачи:
- Разделение данных на входные функции и метки
- Как создать модель логистической регрессии и обучить ее с помощью наших 🎃 данных
- Анализ прогнозов с помощью точности, точности, отзыва и оценки F1
Присоединяйтесь к Би, как она распутывает увлекательный мир логистической регрессии, и узнайте, как его можно использовать в проблемах классификации. Это видео идеально подходит для тех, кто хочет расширить свое понимание методов регрессии и улучшить набор навыков машинного обучения.
Будьте настроены для следующего видео в этой серии, вы узнаете один другой метод, который помогает анализировать качество модели: кривые ROC. Увидишь тебя!
Главы
- 00:00: введение
- 00:16 - Используемая записная книжка
- 00:43 . Разделение данных на входные функции и метку
- 00:57 — обучение и тестирование splot
- 01:08 . Создание класса логистической регрессии с помощью SciKit Learn
- 01:30 — анализ результатов регрессии
- 01:45 - Что такое матрица путаницы?
- 02:35 — вычисление точности
- 02:52 — точность, отзыв и оценка F1
- 03:55 — средний и взвешенный средний макрос
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/
В этом видео Bea Stollnitz, главный защитник облака в Майкрософт, поможет вам обучить модель логистической регрессии с помощью данных тыквы, которые мы очищали и преобразовали в предыдущем видео.
Из этого руководства вы узнаете, как выполнять такие задачи:
- Разделение данных на входные функции и метки
- Как создать модель логистической регрессии и обучить ее с помощью наших 🎃 данных
- Анализ прогнозов с помощью точности, точности, отзыва и оценки F1
Присоединяйтесь к Би, как она распутывает увлекательный мир логистической регрессии, и узнайте, как его можно использовать в проблемах классификации. Это видео идеально подходит для тех, кто хочет расширить свое понимание методов регрессии и улучшить набор навыков машинного обучения.
Будьте настроены для следующего видео в этой серии, вы узнаете один другой метод, который помогает анализировать качество модели: кривые ROC. Увидишь тебя!
Главы
- 00:00: введение
- 00:16 - Используемая записная книжка
- 00:43 . Разделение данных на входные функции и метку
- 00:57 — обучение и тестирование splot
- 01:08 . Создание класса логистической регрессии с помощью SciKit Learn
- 01:30 — анализ результатов регрессии
- 01:45 - Что такое матрица путаницы?
- 02:35 — вычисление точности
- 02:52 — точность, отзыв и оценка F1
- 03:55 — средний и взвешенный средний макрос
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.