Loading

Alison's New App is now available on iOS and Android! Download Now

Decision Trees, Random Foreste, AdaBoost & XGBoost in Python

Scopri come creare alberi di decisione e tecniche di ensemble master in questo corso di Python online gratuito.

Publisher: Start-Tech Academy
Questo corso di Python online gratuito spiega gli alberi di decisione, che sono una delle tecniche più utilizzate nell'apprendimento automatico dato che sono visivamente attraenti e facili da interpretare. Copriamo le loro tecniche di creazione e di stampaggio, 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 con questo corso completo per aumentare il tuo valore professionale.
Decision Trees, Random Foreste, AdaBoost & XGBoost in Python
  • Durata

    6-10 Oras
  • Students

    182
  • Accreditation

    CPD

Share This Course And
Earn Money  

Become an Affiliate Member

Descrizione

Modules

Risultato

Certificazione

View course modules

Description

Questo corso copre tutti i passaggi che si dovrebbero compiere quando si utilizzano gli alberi di decisione in Python per risolvere i problemi di business. Gli analisti di business e gli scienziati di dati utilizzano ampiamente modelli decisionali basati su alberi perché sono facili da interpretare e rendono chiari i punti di decisione. È possibile utilizzarli per presentare concetti di business a persone che potrebbero non essere entusiaste di numeri e complessi modelli matematici. Un albero decisionale include gli esiti degli eventi, i costi delle risorse e le utility e visualizza algoritmi che contengono solo istruzioni di controllo condizionate. Questo corso esamina le directory essenziali in Python e il processo di costruzione di un modello di machine learning.

Vi presentiamo i tre metodi di apertura del Jupyter Notebook: Anaconda navigatore, Richiesta Anaconda e prompt dei comandi. Dimostriamo poi 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. Possiamo aiutare a capire i passi da compiere quando si costruiscono un albero di regressione e si acquisisce la capacità di manipolare l'albero decisionale e di interpretare i risultati in modo più efficiente di qualcuno che conosce solo gli aspetti tecnici di rendere gli alberi decisionali con Python. Scopri che l'approccio top-down binario ricorrente è considerato '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. Questo corso discute il trattamento del valore mancante in Python e la creazione di variabile dummy.

Prossimo, spieghiamo che, quando si esegue il 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 adattamento. Smontiamo come controllare la crescita dell'albero decisionale e fornire intuizioni sui tre principali modelli di previsione basati su tecniche di "bagging", foresta casuale e tecniche di potenziamento. Poi illustriamo come gli alberi decisionali rispecchiano da vicino il processo decisionale umano più vicino rispetto ad altri approcci di regressione e classificazione in quanto possono gestire facilmente i predittori qualitativi senza la necessità di creare variabili dummy. Infine, il corso dimostra come valutare le prestazioni di un modello in Python tracciando un albero decisionale e utilizzando le tecniche di analisi dei dati e di ensemble. Questo corso si adatta ai dirigenti o a chiunque cerchi la guida pratica degli alberi decisionali di Python per risolvere dilemmi complicati. Questa capacità di utilizzare la scienza dei dati per risolvere i problemi del mondo reale non può che potenziare il tuo status professionale.

Inizio Corso Ora

Careers