filmov
tv
PYTHON SKLEARN - MODEL SELECTION : Train_test_split, Cross Validation, GridSearchCV (21/30)
Показать описание
Ce tutoriel python français vous présente SKLEARN, le meilleur package pour faire du machine learning avec Python.
Avec Sklearn, on peut découper notre Dataset en Train_set et Test_set grâce a la fonction Train_test_split. Cette fonction est très importante et il faut l'utiliser pour chaque projet de machine learning, avant même de développer un modèle avec sklearn. Vous pouvez définir les proportions pour découper votre Dataset avec l'argument test_size = ...
Une fois que vous avez utilisé train_test_split, vous pouvez entrainer votre modele et le valider en utilisant la technique de cross-validation. Le mieux est d'utiliser la class GridSearchCV, mais les fonctions cross_val_score, Validation_curve et Learning_curves sont tres utiles également.
► TIMECODE DE LA VIDÉO:
0:00 Intro
00:39 Train_test_split
04:22 Validation Set
07:05 Cross Validation
09:44 Validation Curve
12:46 GridSearchCV
16:04 Learning Curves
19:26 Exercice du Titanic
► Me soutenir financierement sur Tipeee (et obtenir des vidéos BONUS)
► REJOINS NOTRE COMMUNAUTÉ DISCORD
► MON SITE INTERNET:
► Recevez gratuitement mon Livre:
APPRENDRE LE MACHINE LEARNING EN UNE SEMAINE
CLIQUEZ ICI:
► Téléchargez gratuitement mes codes sur github:
► Qui suis-je ?
Je suis Guillaume Saint-Cirgue, Senior Data Scientist avec plus de 8 ans d’expérience dans les secteurs de la tech, l’aviation, la robotique, l’énergie, et les usines connectées.
En 2019, j’ai créé Machine Learnia dans le but de partager mes connaissances dans le domaine de l’intelligence artificielle. Mon objectif est d’expliquer en détail le fonctionnement du Machine Learning et de ses algorithmes, tout en rendant ces concepts accessibles à tous.
Je suis convaincu qu'il ne suffit pas de survoler l'aspect mathématique de ce domaine; il est essentiel de s'y plonger en profondeur pour se démarquer. Cette approche a déjà convaincu plus de 150 000 personnes, et ceux que je forme aujourd'hui comptent parmi les meilleurs du secteur.
Avec Sklearn, on peut découper notre Dataset en Train_set et Test_set grâce a la fonction Train_test_split. Cette fonction est très importante et il faut l'utiliser pour chaque projet de machine learning, avant même de développer un modèle avec sklearn. Vous pouvez définir les proportions pour découper votre Dataset avec l'argument test_size = ...
Une fois que vous avez utilisé train_test_split, vous pouvez entrainer votre modele et le valider en utilisant la technique de cross-validation. Le mieux est d'utiliser la class GridSearchCV, mais les fonctions cross_val_score, Validation_curve et Learning_curves sont tres utiles également.
► TIMECODE DE LA VIDÉO:
0:00 Intro
00:39 Train_test_split
04:22 Validation Set
07:05 Cross Validation
09:44 Validation Curve
12:46 GridSearchCV
16:04 Learning Curves
19:26 Exercice du Titanic
► Me soutenir financierement sur Tipeee (et obtenir des vidéos BONUS)
► REJOINS NOTRE COMMUNAUTÉ DISCORD
► MON SITE INTERNET:
► Recevez gratuitement mon Livre:
APPRENDRE LE MACHINE LEARNING EN UNE SEMAINE
CLIQUEZ ICI:
► Téléchargez gratuitement mes codes sur github:
► Qui suis-je ?
Je suis Guillaume Saint-Cirgue, Senior Data Scientist avec plus de 8 ans d’expérience dans les secteurs de la tech, l’aviation, la robotique, l’énergie, et les usines connectées.
En 2019, j’ai créé Machine Learnia dans le but de partager mes connaissances dans le domaine de l’intelligence artificielle. Mon objectif est d’expliquer en détail le fonctionnement du Machine Learning et de ses algorithmes, tout en rendant ces concepts accessibles à tous.
Je suis convaincu qu'il ne suffit pas de survoler l'aspect mathématique de ce domaine; il est essentiel de s'y plonger en profondeur pour se démarquer. Cette approche a déjà convaincu plus de 150 000 personnes, et ceux que je forme aujourd'hui comptent parmi les meilleurs du secteur.
0:21:49
PYTHON SKLEARN - MODEL SELECTION : Train_test_split, Cross Validation, GridSearchCV (21/30)
0:08:06
Train Test Split with Python Machine Learning (Scikit-Learn)
2:09:22
Scikit-learn Crash Course - Machine Learning Library for Python
0:25:20
Machine Learning Tutorial Python 12 - K Fold Cross Validation
0:12:46
93 Choosing The Right Model For Your Data 3 Classification | Scikit-learn Machine Learning Models
0:07:27
Python Machine learning - Train Test Split - Sklearn
0:25:51
Model Selection with Python: An Introduction to Hyper Parameter Tuning
0:02:20
Why do we split data into train test and validation sets?
0:29:49
Complete Guide to Cross Validation
0:16:30
Machine Learning Tutorial Python - 16: Hyper parameter Tuning (GridSearchCV)
0:11:21
Learn How to Boost Your Python Sklearn Models with GridsearchCV!
0:07:48
Machine Learning Tutorial with Python | Selecting best model in scikit-learn using cross-validation
0:08:53
Feature Selection for Scikit Learn
0:06:34
Machine Learning Tutorial Python - 7: Training and Testing Data
0:26:03
Difference Between fit(), transform(), fit_transform() and predict() methods in Scikit-Learn
0:16:46
Hands-On Machine Learning: Logistic Regression with Python and Scikit-Learn
0:26:14
Custom Machine Learning Models in Python with Scikit-Learn
0:10:35
Multiple Linear Regression in Python - sklearn
0:15:13
How to Build Your First Decision Tree in Python (scikit-learn)
0:13:01
What Is Scikit-Learn | Introduction To Scikit-Learn | Machine Learning Tutorial | Intellipaat
0:22:33
Train, Test, & Validation Sets | How to Train Machine Learning Models (Properly!!!)
0:20:24
#119: Scikit-learn 113: Model Selection 1: Cross-validation (1/3)
0:18:45
K-Fold Cross Validation: Explanation + Tutorial in Python, Scikit-Learn & NumPy
0:27:44
299 - Evaluating sklearn model using KFold cross validation in python
Комментарии