Regressione Logistica, LDA & KNN in Python - Modelli predittivi

Stai cercando di diventare un esperto nel risolvere problemi di vita reale utilizzando diversi algoritmi di classificazione in Python? Questo corso vi darà la possibilità di interpretare gli esiti di un modello di regressione logistica in Python. Sarà possibile utilizzare questi risultati quando si prendono decisioni strategiche nella propria organizzazione. Acquisire insight nei metodi di dispersione, che ti aiuteranno a capire la diffusione di un dataset, ovvero la gamma, la deviazione standard e la varianza. Scopri che quando si confronta i centri, la media non è sempre la misura migliore della tendenza centrale come gli outliers la influenzano pesantemente, che è la ragione principale per cui la mediana è preferita nel frattempo. Verrà insegnato ai vantaggi dell'utilizzo della modalità ai centri di misura, compreso il fatto che può essere calcolato per i dati sia quantitativi che qualitativi, e che media e mediana possono essere utilizzati solo per i dati quantitativi. Il corso vi introdurrà anche nelle principali librerie Python, che sono Pandas, NumPy e Seaborn.

Scopri i primi passi chiave nella costruzione di un modello di machine learning, in cui si converte il problema aziendale in un problema statistico, definire le variabili dipendenti e indipendenti e identificare se si desidera prevedere o infettare. Imparerai a conoscere i dati di formazione e i dati di prova, dove i dati di formazione si riferiscono alle informazioni utilizzate per addestrare un algoritmo e i dati di verifica includono solo i dati di input e vengono utilizzati per accedere all'accuratezza del modello creato o alla funzione preditrice effettuata utilizzando i dati formativi. Scoprire l'importanza di gestire i valori mancanti nei dati real-world e l'importanza di gestirla adeguatamente visto che molti algoritmi di machine learning non supportano i dataset con valori mancanti. Si studieranno poi i metodi più comuni di impattare valori mancanti, che sono imputazione di segmento, imputa con zero e imputa con mediana, media o modalità.

Prossimo, si imparerà la tecnica di analisi discriminante lineare, che si basa sul teorema di Bayes, come metodo preferito quando la variabile di risposta ha più di due classi. Scopri come, con una data serie di valori predittori, è possibile utilizzare questa tecnica per calcolare la probabilità di una particolare osservazione appartenente a ciascun gruppo e assegnare il gruppo con la massima probabilità a tale osservazione. Si identificherà quindi gli inconvenienti della tecnica dei vicini k - vicini, tra cui non menziona ogni relazione di tipo variabile e la variabile di risposta. Infine, si imparerà a interpretare i modelli di classificazione dei modelli di classificazione dei risultati, creando una matrice di confusione in Python, valutando le prestazioni del modello e la creazione variabile dummy in Python. Questo corso sarà di interesse per gli scienziati di dati, i dirigenti o gli studenti interessati ad apprendere le tecniche di classificazione. Perché aspettare? Inizia questo corso oggi e diventa un modello di classificazione e di problem-solving.