糖心vlog官网观看

K Nearest Neighbors ist eine beliebte Klassifizierungsmethode, da sie einfach zu berechnen und zu interpretieren ist. In diesem Modul lernen Sie die Theorie hinter K Nearest Neighbors kennen. Au脽erdem finden Sie eine Demo, mit der Sie die Erstellung von K Nearest Neighbors-Modellen mit Sklearn 眉ben k枚nnen.

In diesem Modul erfahren Sie, wie Support-Vektor-Maschinen Hyperebenen konstruieren, um Ihre Daten in Regionen einzuteilen, die eine Mehrheit von Datenpunkten einer bestimmten Klasse enthalten. Obwohl Support-Vektor-Maschinen 蹿眉谤 Regression, Ausrei脽ererkennung und Klassifizierung weit verbreitet sind, konzentriert sich dieses Modul auf letztere.

Entscheidungsbaummethoden sind aufgrund ihrer visuellen Attraktivit盲t und hohen Interpretierbarkeit ein g盲ngiges Basismodell 蹿眉谤 Klassifizierungsaufgaben. In diesem Modul lernen Sie die Theorie hinter den 贰苍迟蝉肠丑别颈诲耻苍驳蝉产盲耻尘别n und einige praktische Beispiele 蹿眉谤 die Erstellung von Entscheidungsbaummodellen zur Klassifizierung kennen. Sie werden die wichtigsten Vor- und Nachteile dieser Techniken kennenlernen. Dieses Hintergrundwissen wird Ihnen n眉tzlich sein, wenn Sie im n盲chsten Modul mit Entscheidungsbaum-Ensembles konfrontiert werden.

Ensemble-Modelle sind eine sehr beliebte Technik, da sie dazu beitragen k枚nnen, dass Ihre Modelle widerstandsf盲higer gegen Ausrei脽er sind und bessere Chancen auf eine Generalisierung mit zuk眉nftigen Daten haben. Sie haben auch an Popularit盲t gewonnen, nachdem mehrere Ensembles dazu beigetragen haben, Prognosewettbewerbe zu gewinnen. In letzter Zeit hat sich das stochastische Gradient Boosting 蹿眉谤 viele Datenwissenschaftler zu einem beliebten Kandidatenmodell entwickelt. Dieses Modell f眉hrt Sie durch die Theorie hinter Ensemblemodellen und beliebten baumbasierten Ensembles.

Einige Klassifizierungsmodelle sind 蹿眉谤 Ausrei脽er, ein geringes Auftreten einer Klasse oder seltene Ereignisse besser geeignet als andere. Die gebr盲uchlichsten Methoden zur Verbesserung der Robustheit eines Klassifizierers h盲ngen mit geschichteten Stichproben zusammen, um die Trainingsdaten wieder ins Gleichgewicht zu bringen. In diesem Modul lernen Sie sowohl stratifizierte Stichprobenverfahren als auch neuere Ans盲tze zur Modellierung von Datens盲tzen mit unausgewogenen Klassen kennen.