Loading

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

Decisão Árvores, Florestas Aleatórias, AdaBoost & XGBoost em Python

Aprenda a criar árvores de decisão e técnicas de mestrado neste curso gratuito online Python.

Publisher: Start-Tech Academy
Este curso gratuito de Python online explica árvores de decisão, que são uma das técnicas mais populares usadas no aprendizado de máquina desde que são visualmente atraentes e fáceis de interpretar. Nós cobrimos suas técnicas de criação e praxe, de conjunto e os critérios de parada para controlar o crescimento de árvores de decisão. Impulse sua regressão e classificação árvores conhecimentos e habilidades com este curso abrangente para aumentar o seu valor profissional.
Decisão Árvores, Florestas Aleatórias, AdaBoost & XGBoost em Python
  • Duração

    6-10 Horas
  • Students

    181
  • Accreditation

    CPD

Share This Course And
Earn Money  

Become an Affiliate Member

Descrição

Modules

Resultado

Certificação

View course modules

Description

Este curso cobre todos os passos que você deve tomar ao usar árvores de decisão em Python para resolver problemas de negócios. Analistas de negócios e cientistas de dados usam amplamente os modelos de decisão baseados em árvore porque são fáceis de interpretar e tornam claros os pontos de decisão. Você pode usá-los para apresentar conceitos de negócios para pessoas que podem não estar entusiasmados com números e modelos matemáticos complexos. Uma árvore de decisão inclui resultados de eventos, custos de recursos e utilitários e exibe algoritmos que só contêm instruções de controle condicional. Este curso examina os diretórios essenciais em Python e o processo de construção de um modelo de aprendizado de máquina.

Nós lhe apresentamos os três métodos de abertura do Notebook Jupyter: navegador Anaconda, prompt Anaconda e prompt de Comando. Nós, então, demonstramos que as árvores de regressão são adequadas para variáveis de destino quantitativo contínuo enquanto as árvores de classificação são ideais para variáveis de destino categóricas discretas. Podemos ajudar a entender as etapas a serem tomadas ao construir uma árvore de regressão e ganhar a capacidade de manipular a árvore de decisão e interpretar os resultados de forma mais eficiente do que alguém que só conhece os aspectos técnicos de se fazer árvores de decisão com Python. Descobrir que a abordagem de cima para baixo da divisão binária recursiva é considerada 'gananciosa'. A cada passo do processo de construção de árvores, a melhor divisão é feita naquele passo em particular, em vez de olhar para frente e escolher uma divisão que levará a uma árvore melhor em alguma ação futura. Este curso discute o tratamento de valor ausente na criação de variáveis Python e dummy.

Em seguida, explicamos que, ao executar o código em Python, é necessário especificar os critérios de parada para que a árvore de decisão controle o comprimento da árvore e evite o problema de superação. Desembocamos como controlar o crescimento da árvore de decisão e proporcionamos insight sobre os três principais modelos de predição baseados em 'bagging', floresta aleatória e técnicas de impulso. Ilustramos então como as árvores de decisão espelham de perto a tomada de decisão humana mais de perto do que outras abordagens de regressão e classificação, uma vez que podem facilmente manusear preditores qualitativos sem a necessidade de criar variáveis dummy. Por fim, o curso demonstra como avaliar o desempenho de um modelo em Python trafegando uma árvore de decisão e utilizando técnicas de análise de dados e de conjunto. Este curso combina com executivos ou qualquer um buscando a orientação prática das árvores de decisão de Python para resolver dilemas complicados. Essa capacidade de usar a ciência de dados para resolver problemas do mundo real só pode apriviver o seu status profissional.

Iniciar Curso Agora

Careers