🧠 Verpasse es nicht! Erhalte kostenlosen Zugang zu meiner Skool-Community – vollgepackt mit Ressourcen, Tools und Unterstützung, um dir bei Daten, maschinellem Lernen und KI-Automatisierungen zu helfen! 📈
https://www.skool.com/data-and-ai-automations-4579In diesem umfassenden Tutorial tauchen wir in die Welt der Modellvalidierung mit Kreuzvalidierungstechniken in Python und Scikit-Learn ein. Die Kreuzvalidierung spielt eine entscheidende Rolle bei der Bewertung der tatsächlichen Leistung von Modellen des maschinellen Lernens und hilft uns, robuste und zuverlässige Lösungen zu entwickeln.
📧 E-Mail: ryannolandata@gmail.com
🍿 NÄCHSTES ANSCHAUEN
Lerne, wie man Kreuzvalidierung in Python mit Scikit-Learn implementiert, um zuverlässigere Modelle des maschinellen Lernens zu erstellen. In diesem umfassenden Tutorial erkläre ich die Kreuzvalidierungstechniken von Anfänger- bis Mittelstufe und zeige dir, warum eine einfache Train-Test-Aufteilung zu verzerrten Ergebnissen führen kann und wie die Kreuzvalidierung dieses Problem löst.
Wir beginnen mit einem einfachen Beispiel für eine Train-Test-Aufteilung, das zeigt, wie unterschiedliche Zufallszustände sehr unterschiedliche Genauigkeitswerte (0,71 vs. 0,80) erzeugen können, was die Einschränkungen dieses Ansatzes verdeutlicht. Dann führe ich dich durch die Implementierung der grundlegenden Kreuzvalidierung mit cross_val_score, die mehrere Genauigkeitsmessungen anstelle von nur einer bereitstellt und dir eine viel zuverlässigere Bewertung der Leistung deines Modells gibt.
Im Laufe des Videos lernst du, wie man Durchschnittswerte und Standardabweichungen berechnet, um die Konsistenz deines Modells besser zu verstehen. Ich demonstriere, wie man K-Fold-Kreuzvalidierung mit benutzerdefinierten Parametern wie n_splits, Shuffle-Optionen und Zufallszuständen für reproduzierbare Ergebnisse definiert. Wir erkunden auch die stratifizierte K-Fold-Validierung, die die Klassenverteilung über die Folds hinweg beibehält, um ausgewogenere Tests zu ermöglichen.
Als Bonus zeige ich dir, wie man verschiedene Bewertungsmetriken wie F1- und Genauigkeitswerte verwendet und, was am wichtigsten ist, wie man Kreuzvalidierung mit Scikit-Learn-Pipelines kombiniert. Diese fortgeschrittene Technik ermöglicht es dir, gesamte Vorverarbeitungs- und Modellierungs-Workflows zusammen zu validieren, was für reale Projekte im Bereich des maschinellen Lernens unerlässlich ist.
Am Ende dieses Tutorials wirst du verstehen, wann du Kreuzvalidierung anstelle einfacher Train-Test-Aufteilungen verwenden solltest, wie man mehrere Validierungswerte interpretiert und wie man diese Techniken in deine Pipeline für maschinelles Lernen integriert, um eine robustere Modellevaluation zu erreichen.
ZEITSTEMPEL
00:00 Einführung in die Kreuzvalidierung
01:12 Daten und Importe einrichten
03:19 Erstellen von X- und Y-Variablen
05:06 Beispiel für eine Train-Test-Aufteilung
07:42 Logistische Regressionsmodell
09:42 Testen mit verschiedenen Zufallszuständen
11:52 Grundlegende Kreuzvalidierungsbewertung
14:01 K-Fold definieren
16:10 Stratifizierte K-Fold
19:13 Pipeline-Beispiel mit Kreuzvalidierung
22:02 Ergebnisübersicht und Zusammenfassung
ANDERE SOZIALE MEDIEN:
Wer ist Ryan
Ryan ist Data Scientist bei einem Fintech-Unternehmen, wo er sich auf Betrugsprävention in der Kreditvergabe und Risikobewertung konzentriert. Zuvor arbeitete er als Datenanalyst bei einem Steuer-Software-Unternehmen. Er hat einen Abschluss in Elektrotechnik von der UCF.
Wer ist Matt
Matt ist der Gründer von Width.ai, einer Agentur für KI und maschinelles Lernen. Bevor er sein eigenes Unternehmen gründete, war er Machine Learning Engineer bei Capital One.
*Dies ist ein Affiliate-Programm. Wir erhalten einen kleinen Teil des endgültigen Verkaufs ohne zusätzliche Kosten für dich.