Loading

Arbres de décision, forêts aléatoires, AdaBoost & XGBoost en Python

Dans ce cours en ligne gratuit, découvrez les méthodes impliquées dans les arbres de décision et les techniques d'ensemble en Python.

Publisher: Start-Tech Academy
Les arbres de décision constituent l'une des techniques les plus populaires de l'apprentissage automatique puisqu'ils sont visuellement attrayants et faciles à interpréter. Dans ce cours en ligne gratuit, découvrez la création et l'élagage des arbres de décision, les techniques d'ensemble et les critères d'arrêt pour contrôler la croissance des arbres de décision. Boosez vos connaissances et vos compétences en matière de régression et de classification en étudiant ce cours complet.
Arbres de décision, forêts aléatoires, AdaBoost & XGBoost en Python
  • Durée

    6-10 Heures
  • Students

    31
  • Accreditation

    CPD

Description

Modules

Résultats

Certification

View course modules

Description

Souhaitez-vous être un expert dans l'utilisation des arbres de décision pour résoudre des problèmes métier complexes? Ce cours couvre toutes les étapes que vous devez suivre pour résoudre des problèmes métier à l'aide d'arbres de décision en Python. Les analystes métier et les spécialistes des données utilisent largement les modèles de décision basés sur les arbres. Ils utilisent les arbres de décision parce qu'ils sont faciles à interpréter et à rendre un point de décision clair et simple. Vous les utiliserez pour présenter des concepts métier à des personnes qui pourraient ne pas être enthousiastes au sujet du nombre et des modèles mathématiques complexes. Découvrez qu'un arbre de décision est un outil de prise de décision métier qui utilise un modèle d'arbre de décisions et de résultats possibles incluant des résultats d'événements, des coûts de ressources et des utilitaires. Il s'agit d'un moyen d'afficher un algorithme qui contient uniquement des instructions de contrôle conditionnelles. Le cours traitera des répertoires essentiels en Python et du processus de création d'un modèle d'apprentissage automatique.

Au début, vous serez introduit dans les trois méthodes d'ouverture du Bloc-notes Jupyter ; Anaconda navigateur, Anaconda prompt, et Command prompt. Ensuite, vous découvrirez que les arbres de régression sont adaptés à des variables cibles quantitatives continues, tandis que les arbres de classification sont idéaux pour des variables nominales distinctes. Vous comprrez les étapes à suivre pour construire un arbre de régression, gagner la capacité de manipuler l'arbre de décision et interpréter les résultats de façon plus efficace que quelqu'un qui ne connaît que les aspects techniques de la prise de décision sur Python. Découvrez que l'approche récursive de séparation binaire est une approche gourmande. À chaque étape du processus de construction de l'arbre, la meilleure répartition est faite à cette étape, plutôt que de regarder vers l'avant et de choisir une division qui mènera à un meilleur arbre dans certaines actions futures. Le cours discutera du traitement de la valeur manquante dans Python et de la création de variable factice.

Ensuite, vous allez apprendre que lors de l'exécution du code en Python, vous devez spécifier les critères d'arrêt de l'arbre de décision pour contrôler la longueur de l'arbre et éviter le problème de surajustement. Les trois méthodes de contrôle de la croissance de l'arbre de décision définissent les observations minimales requises au niveau du noeud interne, en définissant les observations minimales requises au niveau du noeud terminal et en donnant à l'arbre ’ une profondeur maximale. Découvrez les trois principaux modèles de prédiction basés sur les arbres de décision ensachage, la forêt aléatoire et les techniques de renforcement. Vous comprrez alors que les arbres de décision reflètent étroitement la prise de décision humaine que les autres approches de régression et de classification. Ils peuvent facilement gérer des prédicteurs qualitatifs sans qu'il soit nécessaire de créer des variables nominales. Enfin, vous étudierez la façon d'évaluer les performances d'un modèle ’ en Python, en traçant un arbre de décision, une analyse de données et des techniques d'ensemble. Ce cours intéressera les scientifiques, les cadres ou les étudiants intéressés à l'apprentissage des arbres de décision. Pourquoi attendre? Commencez ce cours aujourd'hui et devenez un arbre de décision et un expert en résolution de problèmes.

Start Course Now

Careers