Introduzione al Machine Learning con Python

Capitolo 5. Valutazione e miglioramento del modello

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Dopo aver discusso i fondamenti dell'apprendimento supervisionato e non supervisionato e aver esplorato una serie di algoritmi di apprendimento automatico, ora ci addentreremo più profondamente nella valutazione dei modelli e nella selezione dei parametri.

Ci concentreremo sui metodi supervisionati, regressione e classificazione, poiché la valutazione e la selezione dei modelli nell'apprendimento non supervisionato è spesso un processo molto qualitativo (come abbiamo visto nelCapitolo 3).

Per valutare i nostri modelli supervisionati, finora abbiamo diviso il nostro set di dati in un set di allenamento e in un set di test utilizzando la funzione train_test_split, abbiamo costruito un modello sul set di allenamento richiamando il metodo fit e lo abbiamo valutato sul set di test utilizzando il metodo score, che per la classificazione calcola la frazione di campioni classificati correttamente. Ecco un esempio di questo processo:

In[1]:

from sklearn.datasets import make_blobs
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

# create a synthetic dataset
X, y = make_blobs(random_state=0)
# split data and labels into a training and a test set
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
# instantiate a model and ...