Régression logistique, LDA et KNN en Python-Modélisation prédictive

Cherchez vous à devenir un expert pour résoudre des problèmes réels en utilisant différents algorithmes de classification en Python? Ce cours vous donnera la possibilité d'interpréter les résultats d'un modèle de régression logistique en Python. Vous pourrez utiliser ces résultats pour prendre des décisions stratégiques dans votre organisation. Obtenez un aperçu des méthodes de dispersion, ce qui vous aidera à comprendre la propagation d'un ensemble de données, à savoir la plage, l'écart-type et la variance. Découvrez qu'en comparant les centres, la moyenne n'est pas toujours la meilleure mesure de la tendance centrale car les valeurs aberrantes l'influencent fortement, ce qui est la principale raison pour laquelle la médiane est préférée par rapport à la moyenne. On vous enseignera les avantages de l'utilisation du mode pour mesurer les centres, y compris le fait qu'il peut être calculé à la fois pour des données quantitatives et qualitatives, et que la moyenne et la médiane ne peuvent être utilisées que pour des données quantitatives. Le cours va également vous présenter les principales bibliothèques Python, qui sont Pandas, NumPy et Seaborn.

Découvrez les premières étapes clés de la création d'un modèle d'apprentissage automatique, où vous convertisez votre problème métier en un problème statistique, définissez les variables dépendantes et indépendantes, et identifiera si vous voulez prédire ou déduire. Vous en apprendrez davantage sur les données de formation et les données de test, où les données de formation font référence aux informations utilisées pour former un algorithme et les données de test ne comprennent que les données d'entrée et sont utilisées pour accéder à la précision du modèle créé ’ ou à la fonction de prédicteur réalisée à l'aide des données de formation. Incarter l'importance de traiter les valeurs manquantes dans les données du monde réel et l'importance de la gérer de manière appropriée, car de nombreux algorithmes d'apprentissage automatique ne prennent pas en charge les jeux de données avec des valeurs manquantes. Vous étudierez ensuite les méthodes les plus courantes pour imputer les valeurs manquantes, qui sont des imputations basées sur des segments, impute à zéro et impute avec la médiane, la moyenne ou le mode.

Ensuite, vous allez apprendre la technique d'analyse discriminante linéaire, basée sur le théorème de Bayes ’, comme méthode préférée lorsque la variable de réponse comporte plus de deux classes. Découvrez comment, avec un ensemble donné de valeurs de prédicteur, vous pouvez utiliser cette technique pour calculer la probabilité d'une observation particulière appartenant à chaque groupe et affecter le groupe avec la probabilité la plus élevée à cette observation. Vous identifiera ensuite les inconvénients de la technique des voisins k les plus proches, y compris qu'elle ne mentionne pas la relation de chaque variable ’ et la variable de réponse. Enfin, vous apprendrez à interpréter les modèles de classification ’, à créer une matrice de confusion en Python, à évaluer les performances du modèle et à créer des variables factices en Python. Ce cours intéressera les scientifiques, les cadres ou les étudiants intéressés à l'apprentissage des techniques de classification. Pourquoi attendre? Commencez ce cours aujourd'hui et devenez un modèle de classification et un expert en résolution de problèmes.