Kursinhalt
Klassifikation mit Python
Klassifikation mit Python
Herausforderung: Modelle Vergleichen
Jetzt werden wir die Modelle, die wir an einem Datensatz gelernt haben, vergleichen. Dies ist ein Brustkrebs-Datensatz. Das Ziel ist die 'diagnosis'-Spalte (1 – bösartig, 0 – gutartig).
Wir werden GridSearchCV auf jedes Modell anwenden, um die besten Parameter zu finden. Außerdem verwenden wir in dieser Aufgabe die Recall-Metrik für die Bewertung, da wir keine False Negatives haben möchten. GridSearchCV kann die Parameter basierend auf der Recall-Metrik auswählen, wenn Sie scoring='recall' setzen.
Swipe to start coding
Die Aufgabe besteht darin, alle Modelle, die wir gelernt haben, zu erstellen und die besten Parameter zusammen mit dem besten Recall-Wert jedes Modells auszugeben. Sie müssen die Parameternamen in den param_grid-Dictionaries ausfüllen.
- Für das k-NN-Modell finden Sie den besten
n_neighbors-Wert aus[3, 5, 7, 12]. - Für die logistische Regression durchlaufen Sie die Werte
[0.1, 1, 10]vonC. - Für einen Entscheidungsbaum möchten wir zwei Parameter konfigurieren,
max_depthundmin_samples_leaf. Durchlaufen Sie die Werte[2, 4, 6, 10]fürmax_depthund[1, 2, 4, 7]fürmin_samples_leaf. - Für einen Random Forest finden Sie den besten
max_depth(maximale Tiefe jedes Baums) Wert aus[2, 4, 6]und die beste Anzahl von Bäumen(n_estimators). Versuchen Sie die Werte[20, 50, 100]für die Anzahl der Bäume.
Lösung
Hinweis
Der Code benötigt einige Zeit zum Ausführen (weniger als eine Minute).
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
Herausforderung: Modelle Vergleichen
Jetzt werden wir die Modelle, die wir an einem Datensatz gelernt haben, vergleichen. Dies ist ein Brustkrebs-Datensatz. Das Ziel ist die 'diagnosis'-Spalte (1 – bösartig, 0 – gutartig).
Wir werden GridSearchCV auf jedes Modell anwenden, um die besten Parameter zu finden. Außerdem verwenden wir in dieser Aufgabe die Recall-Metrik für die Bewertung, da wir keine False Negatives haben möchten. GridSearchCV kann die Parameter basierend auf der Recall-Metrik auswählen, wenn Sie scoring='recall' setzen.
Swipe to start coding
Die Aufgabe besteht darin, alle Modelle, die wir gelernt haben, zu erstellen und die besten Parameter zusammen mit dem besten Recall-Wert jedes Modells auszugeben. Sie müssen die Parameternamen in den param_grid-Dictionaries ausfüllen.
- Für das k-NN-Modell finden Sie den besten
n_neighbors-Wert aus[3, 5, 7, 12]. - Für die logistische Regression durchlaufen Sie die Werte
[0.1, 1, 10]vonC. - Für einen Entscheidungsbaum möchten wir zwei Parameter konfigurieren,
max_depthundmin_samples_leaf. Durchlaufen Sie die Werte[2, 4, 6, 10]fürmax_depthund[1, 2, 4, 7]fürmin_samples_leaf. - Für einen Random Forest finden Sie den besten
max_depth(maximale Tiefe jedes Baums) Wert aus[2, 4, 6]und die beste Anzahl von Bäumen(n_estimators). Versuchen Sie die Werte[20, 50, 100]für die Anzahl der Bäume.
Lösung
Hinweis
Der Code benötigt einige Zeit zum Ausführen (weniger als eine Minute).
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden