Modèles
Les bases du prétraitement des données et de la construction de pipelines ont maintenant été abordées. L'étape suivante est la modélisation.
Un modèle dans Scikit-learn est un estimateur qui fournit les méthodes .predict() et .score(), ainsi que .fit() héritée de tous les estimateurs.
.fit()
Une fois les données prétraitées et prêtes à être utilisées par le modèle, la première étape de la construction d'un modèle est l'entraînement du modèle. Cela se fait à l'aide de .fit(X, y).
Pour l'apprentissage supervisé (régression, classification), .fit() nécessite à la fois X et y.
Pour l'apprentissage non supervisé (par exemple, le clustering), il suffit d'appeler .fit(X). Passer y ne provoque pas d'erreur — il est simplement ignoré.
Pendant l'entraînement, le modèle apprend les motifs nécessaires à la prédiction. Ce qu'il apprend et la durée de l'entraînement dépendent de l'algorithme. L'entraînement est souvent la phase la plus lente de l'apprentissage automatique, en particulier avec de grands ensembles de données.
.predict()
Après l'entraînement, utiliser .predict() pour générer des prédictions :
model.fit(X, y)
y_pred = model.predict(X_new)
.score()
.score() évalue un modèle entraîné, généralement sur un jeu de test :
model.fit(X, y)
model.score(X_test, y_test)
Il compare les prédictions aux vraies cibles. Par défaut, la métrique utilisée est la précision pour la classification.
X_test désigne la partie du jeu de données, appelée jeu de test, utilisée pour évaluer la performance d’un modèle après l’entraînement. Elle contient les caractéristiques (données d’entrée). y_test est la partie correspondante des vraies étiquettes pour X_test. Ensemble, ils permettent d’évaluer la capacité du modèle à prédire de nouvelles données non vues.
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
What are some common algorithms used for modeling in Scikit-learn?
Can you explain the difference between `.fit()`, `.predict()`, and `.score()` in more detail?
How do I choose which metric to use for evaluating my model?
Awesome!
Completion rate improved to 3.13Modèles
Glissez pour afficher le menu
Les bases du prétraitement des données et de la construction de pipelines ont maintenant été abordées. L'étape suivante est la modélisation.
Un modèle dans Scikit-learn est un estimateur qui fournit les méthodes .predict() et .score(), ainsi que .fit() héritée de tous les estimateurs.
.fit()
Une fois les données prétraitées et prêtes à être utilisées par le modèle, la première étape de la construction d'un modèle est l'entraînement du modèle. Cela se fait à l'aide de .fit(X, y).
Pour l'apprentissage supervisé (régression, classification), .fit() nécessite à la fois X et y.
Pour l'apprentissage non supervisé (par exemple, le clustering), il suffit d'appeler .fit(X). Passer y ne provoque pas d'erreur — il est simplement ignoré.
Pendant l'entraînement, le modèle apprend les motifs nécessaires à la prédiction. Ce qu'il apprend et la durée de l'entraînement dépendent de l'algorithme. L'entraînement est souvent la phase la plus lente de l'apprentissage automatique, en particulier avec de grands ensembles de données.
.predict()
Après l'entraînement, utiliser .predict() pour générer des prédictions :
model.fit(X, y)
y_pred = model.predict(X_new)
.score()
.score() évalue un modèle entraîné, généralement sur un jeu de test :
model.fit(X, y)
model.score(X_test, y_test)
Il compare les prédictions aux vraies cibles. Par défaut, la métrique utilisée est la précision pour la classification.
X_test désigne la partie du jeu de données, appelée jeu de test, utilisée pour évaluer la performance d’un modèle après l’entraînement. Elle contient les caractéristiques (données d’entrée). y_test est la partie correspondante des vraies étiquettes pour X_test. Ensemble, ils permettent d’évaluer la capacité du modèle à prédire de nouvelles données non vues.
Merci pour vos commentaires !
