Scikit-Learn || Урок по Python || Изучаем программирование на Python

Scikit-Learn — это набор инструментов, которые преобразуют необработанные данные в знания с помощью машинного обучения. В этом руководстве мы рассмотрим два полных проекта классификации. Классический набор данных «Цветы ириса» 1936 года: мы масштабируем признаки, разделяем наборы данных на обучающую и тестовую выборки, обучаем модель логистической регрессии и оцениваем её с помощью матрицы ошибок. Затем мы заглянем внутрь модели, чтобы увидеть, на каких измерениях она на самом деле основана. Далее — рукописные цифры: упрощенная версия MNIST. Мы обучаем машину опорных векторов на изображениях в оттенках серого размером 8×8, анализируем точность и полноту, изучаем цифры, которые наша модель определила неправильно, а затем улучшаем всё с помощью Pipeline и GridSearchCV, используя PCA для сокращения 64 измерений до 40, сохраняя при этом 95% дисперсии. Попутно мы рассмотрим принципы проектирования, которые делают Scikit-Learn таким удобным в использовании: согласованный интерфейс оценщика, общедоступные параметры, которые можно проверить, компонуемые конвейеры и разумные значения по умолчанию, позволяющие новичкам получать реальные результаты. Разделы 00:00 Введение 01:05 Почему бы просто не писать операторы if? 01:36 Принципы проектирования Scikit-Learn 02:23 Проект 1 — Набор данных Iris 03:21 Нормализация данных с помощью StandardScaler 03:50 Обучение классификатора логистической регрессии 04:24 Чтение матрицы ошибок 05:43 Какие признаки наиболее важны? 06:07 Визуализация с помощью парного графика 07:09 Проект 2 — Рукописные цифры 07:26 64 пикселя, 1797 образцов 09:21 Обучение машины опорных векторов 10:17 Точность, полнота и отчет о классификации 11:44 Настройка с помощью поиска по сетке 12:07 Создание конвейера с помощью PCA 13:48 Параметры-победители 14:55 Заключительные мысли Поддержите Socratica на Patreon:   / socratica