[Stepik] Машинное обучение: Кросс-валидация и оптимизация гиперпараметров (Сергей Спирёв)

​

Этот курс погружает учащихся в важнейшие аспекты кросс-валидации и оптимизации гиперпараметров с применением библиотеки Scikit-learn.

Начнём с изучения базовых методов оценки моделей, используя функции cross_val_score и cross_validate, чтобы получать более точную оценку производительности модели путем использования кросс-валидации.

Важной составляющей курса станет изучение различных стратегий кросс-валидации, таких как LeaveOneOut, ShuffleSplit и GroupKFold, каждая из которых подходит для определенных типов задач и данных.

Курс также охватывает анализ кривых обучения с использованием функции learning_curve, что поможет понять, как объем данных влияет на производительность модели.

Уделяется внимание и кривым валидации через функцию validation_curve, которая демонстрирует, как изменение гиперпараметров отражается на качестве модели.

Изучение функции permutation_test_score позволит оценивать значимость моделей с использованием перестановочных тестов.

Также рассматривается техника прогнозирования с кросс-валидацией через cross_val_predict, что окажется полезным для визуализации результатов.

Наконец, познакомимся с методами оптимизации гиперпараметров, используя GridSearchCV и RandomizedSearchCV, что позволит автоматизировать процесс поиска наилучших гиперпараметров для моделей.

Начальные требования
Курс для тех, кто уже сделал первые шаги в изучении машинного обучения, но, столкнувшись с вопросами кросс-валидации и оптимизации гиперпараметров, ощутил необходимость более глубокого понимания этих ключевых аспектов.

Программа курса
Перекрёстная проверка

1. Введение
2. cross_val_score()
3. cross_validate()
4. LeaveOneOut
5. ShuffleSplit, StratifiedShuffleSplit
6. GroupKFold
7. TimeSeriesSplit
8. learning_curve()
9. validation_curve()
10. permutation_test_score()
11. cross_val_predict()

Методы оптимизации гиперпараметров

1. GridSearchCV
2. RandomizedSearchCV

Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...