Ankündigung: Neues Buch von Luis Serrano! Grokking Machine Learning. bit.ly/grokkingML
40% Rabattcode: serranoyt
Eine freundliche Reise in den Prozess der Bewertung und Verbesserung von Modellen des maschinellen Lernens.
- Training, Testen
- Bewertungskennzahlen: Genauigkeit, Präzision, Rückruf, F1-Score
- Arten von Fehlern: Überanpassung und Unteranpassung
- Kreuzvalidierung und K-fache Kreuzvalidierung
- Modellbewertungsdiagramme
- Gitter-Suche
Für eine Code-Implementierung, schauen Sie sich dieses Repository an:
0:00 Einführung
0:37 Welches Modell ist besser
1:31 Warum Testen?
3:27 Goldene Regel # 1
4:21 Wie verlieren wir die Trainingsdaten nicht?
4:38 K-fache Kreuzvalidierung
5:20 Randomisierung in der Kreuzvalidierung
5:38 Bewertungskennzahlen
7:53 Medizinisches Modell
8:05 Spam-Klassifizierungsmodell
9:25 Diagnose der Verwirrungsmatrix
11:50 Genauigkeit
19:47 Präzision und Rückruf
20:54 Kreditkartenbetrug
22:36 Harmonisches Mittel
24:08 F1-Score
27:16 Arten von Fehlern
27:56 Klassifikation
30:03 Fehler aufgrund von Varianz (Überanpassung)
30:18 Fehler aufgrund von Verzerrung (Unteranpassung)
31:45 Kompromiss
37:55 Lösung: Kreuzvalidierungstest
39:16 Training eines logistischen Regressionsmodells
40:04 Training eines Entscheidungsbaums
40:49 Training einer Support Vector Machine
41:14 Gitter-Suche Kreuzvalidierung
41:59 Parameter und Hyperparameter
42:56 Wie man ein Problem löst
43:20 Wie man maschinelles Lernen anwendet
44:04 Danke!