Loading

The New Alison App has just launched Download Now

Decision Trees, Random Foreste, AdaBoost & XGBoost in Python

In questo corso gratuito online, imparate i metodi coinvolti negli alberi di decisione e nelle tecniche di ensemble in Python.

IT
Gratuito
Gli alberi di decisione sono una delle tecniche più apprezzate nell'apprendimento automatico dato che sono visivamente attraenti e facili da interpretare. In questo corso gratuito online, imparate la creazione e la potatura degli alberi di decisione, le tecniche di ensemble e i criteri di arresto per il controllo della crescita degli alberi di decisione. Incrementa la tua regressione e classifica le conoscenze e le competenze degli alberi studiando questo corso completo.

Descrizione

Modules

Risultato

Certificazione

View course modules

Description

Vuoi essere un esperto nell'utilizzare gli alberi di decisione per risolvere problemi di business complessi? Questo corso copre tutti i passi che si dovrebbero compiere quando si risolva problemi di business utilizzando gli alberi di decisione in Python. Gli analisti di business e gli scienziati di dati utilizzano ampiamente modelli decisionali basati su alberi. Usano gli alberi di decisione perché sono facili da interpretare e fanno arrivare a un chiaro punto decisionale non complicato. Li userete per presentare concetti di business a persone che potrebbero non essere entusiaste di numeri e complessi modelli matematici. Scopri che un albero decisionale è uno strumento di supporto alle decisioni aziendali che utilizza un modello di decisioni e possibili esiti che includono gli esiti degli eventi, i costi delle risorse e le utility. È un modo per visualizzare un algoritmo che contiene solo istruzioni di controllo condizionate. Il corso discuterà le directory essenziali in Python e il processo di costruzione di un modello di machine learning.

All'inizio verrà introdotto ai tre metodi di apertura del Jupyter Notebook; Anaconda navigatore, Richiesta Anaconda e prompt dei comandi. Poi, scoprirete che gli alberi di regressione sono adatti a variabili target quantitative continue, mentre gli alberi di classificazione sono l'ideale per variabili target categoriali discrete. Capirete i passi da compiere quando si costruirà un albero di regressione, guadagnando la capacità di manipolare l'albero decisionale e interpretare i risultati in modo più efficiente di qualcuno che conosce solo gli aspetti tecnici di rendere gli alberi decisionali su Python. Scopri che l'approccio top-down binario ricorrente è un approccio greedy. Ad ogni passo del processo di costruzione dell'albero, la migliore scissione è fatta in quel determinato passo, piuttosto che guardare avanti e raccogliendo una scissione che porterà ad un albero migliore in qualche azione futura. Il corso discuterà il trattamento di valore mancante in Python e la creazione di variabile dummy.

Prossimo, imparerai che durante l'esecuzione del codice in Python è necessario specificare i criteri di arresto per l'albero decisionale per controllare la lunghezza dell'albero ed evitare il problema di sovraadattamento. I tre metodi di controllo della crescita degli alberi decisionali specificano le osservazioni minime richieste al nodo interno, impostando le osservazioni minime richieste al nodo della foglia e dando la massima profondità all'albero. Acquisire insight nei tre principali modelli di previsione basati su alberi di decisione bagging, foreste casuali e tecniche di potenziamento. Capirete poi che gli alberi di decisione rispecchiano da vicino il processo decisionale umano rispetto ad altri approcci di regressione e classificazione. Possono facilmente gestire i predittori qualitativi senza la necessità di creare variabili dummy. Infine, si studierà come valutare una performance del modello di s in Python, tracciando un albero decisionale, l'analisi dei dati e le tecniche di ensemble. Questo corso sarà di interesse per gli scienziati di dati, i dirigenti o gli studenti interessati ad imparare sugli alberi di decisione. Perché aspettare? Inizia questo corso oggi e diventa un albero di decisione e di problem-solving.

Start Course Now

Careers