مونگارد | تعمیم در یادگیری ماشین

شما به این ویدیو دسترسی ندارید

intro

14:50

رایگان

datasets

15:44

رایگان

regression

17:10

linear model

30:0

classification

17:26

logistic regression

13:17

preprocessing

14:0

standard scaler

13:59

pipeline

7:48

polynomial regression

13:52

polynomial features

19:53

overfitting

5:42

gini impurity

24:59

decision tree

25:17

ensemble

16:34

voting classifier

10:52

random forest

8:11

adaboost

8:7

one hot encoding

13:32

generalization

18:1

regularization

15:39

ridge

17:34

svm

21:2

grid search

18:46

dimensionality reduction

23:26

pca

21:34

knn

12:35

clustering

14:30

kmeans

19:37

wcss

18:19

hierarchical cluster

19:45

linkage

20:19

dbscan

15:51

make blobs

10:53

isolation forest

21:1

recommender system

17:20

done

4:37

دوره های پیشنهادی

دوره آموزش asyncio در پایتون

تکمیل ضبط

امیرحسین بیگدلو

2:41:51 149 هزارتومان

آموزش پیشرفته جنگو - ساخت فروشگاه اینترنتی

تکمیل ضبط

امیرحسین بیگدلو

10:02:55 289 هزارتومان

دوره آموزش یادگیری ماشین با scikit-learn پایتون

تکمیل ضبط

امیرحسین بیگدلو

10:02:02 389 هزارتومان

ارسال نظر

محمدِ تقی

9 ماه قبل پاسخ به نظر

سلام
ممنون بابت دوره
دو تا سوال دارم
اول اینکه ما با cross_validate مدلمون رو آموزش دادیم
حالا چطوری ازش استفاده کنیم؟
دوم اینکه متد cross_validate فقط با روش k-fold داده ها رو تفکیک میکنه؟
اون روش های دیگه رو باید خودمون براش جداگونه کد بزنیم؟

ارسال نظر

امیرحسین بیگدلو

9 ماه قبل

سلام
بعد از آموزش مدل دوباره میتونید از متدهای fit و predict استفاده کنید.
برای بقیه روش های cross_validate میتونید از کلاس های دیگه ای که در scikit هست استفاده کنید. من دو تا لینک براتون قرار میدم، بقیه هم داخل مستندات هست
https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.LeaveOneOut.html
https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.StratifiedKFold.html