Contenu du cours

Apprentissage Ensembliste

1. Principes de Base de la Construction de Modèles d'Ensemble

Qu'est-ce Qu'un Ensemble de Modèles ?Modèles de Bagging Modèles de Boosting Empilement de Modèles

2. Modèles de Bagging Couramment Utilisés

Classificateur de Bagging Défi : Résoudre la Tâche en Utilisant le Classificateur de Bagging Régression par Ensachage Défi : Résoudre la Tâche en Utilisant le Régressseur de Bagging Forêt Aléatoire Défi : Déterminer l'Importance des Caractéristiques en Utilisant la Forêt Random Arbres Supplémentaires

3. Modèles de Boosting Couramment Utilisés

Classificateur AdaBoost Défi : Résoudre la Tâche en Utilisant le Classificateur AdaBoost Défi : Résoudre la Tâche en Utilisant AdaBoost Regressor Amélioration du Gradient XGBoost Défi : Résoudre la Tâche en Utilisant XGBoost

4. Modèles de Stacking Couramment Utilisés

Classificateur d'Empilement Défi : Résoudre la Tâche en Utilisant un Classificateur de Stacking Défi : Résoudre la Tâche en Utilisant un Stacking Regressor Utilisation des Ensembles comme Modèles de Base Résumé du Cours

Défi : Déterminer l'Importance des Caractéristiques en Utilisant la Forêt Random

La Forêt Aléatoire peut déterminer les importances des caractéristiques, et c'est l'une de ses fonctionnalités utiles. L'importance des caractéristiques est une mesure qui quantifie la contribution de chaque caractéristique dans le jeu de données à la performance prédictive du modèle de Forêt Aléatoire.
Pour déterminer l'importance des caractéristiques, nous devons suivre les étapes suivantes :

Entraîner le modèle de Forêt Aléatoire sur le jeu de données nécessaire.
Utiliser l'attribut .feature_importances_ du modèle entraîné pour obtenir les valeurs d'importance de toutes les caractéristiques. Cet attribut renvoie un tableau de valeurs, chacune correspondant à l'importance d'une caractéristique spécifique dans le jeu de données. Les valeurs sont normalisées et totalisent 1, ce qui facilite la comparaison de l'importance relative des différentes caractéristiques.

Tâche

Swipe to start coding

Le jeu de données 'heart_disease' est un jeu de données couramment utilisé pour les tâches de classification binaire en apprentissage automatique. Il contient divers attributs médicaux liés à la santé des patients et vise à prédire la présence ou l'absence de maladie cardiaque chez un individu.

Votre tâche est de déterminer l'importance des caractéristiques du jeu de données sur les maladies cardiaques :

Utilisez la classe RandomForestClassifier pour créer un modèle.
Ajustez le classificateur sur le jeu de données.
Trouvez l'importance de toutes les caractéristiques.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 6

Défi : Déterminer l'Importance des Caractéristiques en Utilisant la Forêt Random

Entraîner le modèle de Forêt Aléatoire sur le jeu de données nécessaire.
Utiliser l'attribut .feature_importances_ du modèle entraîné pour obtenir les valeurs d'importance de toutes les caractéristiques. Cet attribut renvoie un tableau de valeurs, chacune correspondant à l'importance d'une caractéristique spécifique dans le jeu de données. Les valeurs sont normalisées et totalisent 1, ce qui facilite la comparaison de l'importance relative des différentes caractéristiques.

Tâche

Swipe to start coding

Votre tâche est de déterminer l'importance des caractéristiques du jeu de données sur les maladies cardiaques :

Utilisez la classe RandomForestClassifier pour créer un modèle.
Ajustez le classificateur sur le jeu de données.
Trouvez l'importance de toutes les caractéristiques.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 6

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous