Дървета и ансамбли
Дървета на решенията, bagging, случайна гора, boosting, XGBoost и LightGBM, ранно спиране и ансамбли за състезания.
15 урока · около 330 минНОИИIOAIНужно: Анализ и оптимизация, Вероятности и статистика, scikit-learn, Регресия, Класификация
Първо завърши: scikit-learn: първи модел, Ентропия и cross-entropy
- 1
Дървета на решенията и ансамбли
Как дървото избира въпросите, Random Forest и Gradient Boosting
35 мин Заключен
- 2
Gini, ентропия и информационна печалба
Как дървото избира най-добрия въпрос, сметнато на ръка
20 мин Заключен
- 3
Регресионни дървета
Дърво, което предсказва число
20 мин Заключен
- 4
Дълбочина и подрязване
Как да спреш дървото да запомни шума
20 мин Заключен
- 5
Bagging
Много дървета върху различни извадки и средното им
20 мин Заключен
- 6
Случайна гора отблизо
Случайни признаци при всяко разделяне и Extra Trees
20 мин Заключен
- 7
Важност на признаците при дърветата
Вградена важност срещу permutation importance и капаните им
20 мин Заключен
- 8
Boosting и AdaBoost
Слаби модели, които се учат един от грешките на друг
20 мин Заключен
- 9
Gradient boosting стъпка по стъпка
Всяко дърво предсказва остатъците на предишните
20 мин Заключен
- 10
XGBoost, LightGBM и CatBoost
Библиотеките, които печелят състезанията с таблични данни
20 мин Заключен
- 11
Параметри на boosting
Кои параметри имат значение и в какъв ред да ги настроиш
20 мин Заключен
- 12
Ранно спиране
Колко дървета са достатъчно: валидационна крива по итерации
20 мин Заключен
- 13
Voting и stacking
Как различни модели работят заедно
20 мин Заключен
- 14
Ансамбли на състезание
Средно на сийдове, смесване по ранг и тегла от валидацията
20 мин Заключен
- 15
Проект: предсказване на отпадане
Таблични данни с категории и липси: от гора до ансамбъл
35 мин Заключен
Изпит на курса
Отключва се, когато завършиш всички уроци.