Создайте свой первый проект по оптимизации машинного обучения на Python [Пошаговое руководство дл...

Создайте свой первый проект по оптимизации машинного обучения на Python, используя отбор признаков, масштабирование и регуляризацию для систематического улучшения модели регрессии. Это пошаговое руководство для начинающих идеально подходит, если вы знаете основы pandas и хотите изучить полный рабочий процесс создания, настройки и честной оценки модели, включая действия в случаях, когда данные не позволяют ей работать. Следуйте инструкциям директора по учебным программам Dataquest Анны Штраль. Выполните проект здесь: https://app.dataquest.io/c/139/m/764 Что вы узнаете: Как подготовить неструктурированные данные из реального мира с помощью KNN-импутации и стандартизации признаков Как выбрать лучшие предикторы с помощью последовательного отбора признаков в scikit-learn Как применить регуляризацию Ridge и Lasso для настройки модели линейной регрессии Как оценить модель по сравнению с базовой моделью, чтобы определить, действительно ли она хороша Ключевые навыки: Python, scikit-learn, линейная регрессия, отбор признаков, регуляризация, оценка модели Впервые изучаете Python? Освойте необходимые базовые навыки с помощью нашего курса «Основы Python для анализа данных»: https://www.dataquest.io/path/python-... 0:00 Введение 3:02 Обзор проекта: Прогнозирование площади пожара 4:50 Исследование данных с помощью pandas 8:05 Кодирование месяцев в сезоны 11:03 Обработка асимметрии в целевой переменной 18:34 Разделение на обучающую и тестовую выборки и KNN-импутация 24:31 Последовательный отбор признаков 32:57 Исследование выбросов с помощью IQR 36:00 Регуляризация Ridge и Lasso 40:27 Оценка по сравнению с базовой моделью 44:06 Краткий обзор рабочего процесса 46:15 Стандартизация признаков с помощью StandardScaler