Kapitel 11. Modellbewertung
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
11.0 Einleitung
In diesem Kapitel werden wir Strategien zur Bewertung der Qualität von Modellen untersuchen, die mit unseren Lernalgorithmen erstellt wurden. Es mag seltsam erscheinen, die Bewertung von Modellen zu erörtern, bevor wir darüber sprechen, wie sie erstellt werden, aber es gibt eine Methode für unseren Wahnsinn. Modelle sind nur so nützlich wie die Qualität ihrer Vorhersagen. Unser Ziel ist es also nicht, Modelle zu erstellen (was einfach ist), sondern qualitativ hochwertige Modelle zu entwickeln (was schwierig ist). Bevor wir uns also mit den unzähligen Lernalgorithmen befassen, sollten wir zunächst lernen, wie wir die von ihnen erstellten Modelle bewerten können.
11.1 Kreuzvalidierung von Modellen
Problem
Du möchtest bewerten, wie gut dein Klassifizierungsmodell auf unvorhergesehene Daten verallgemeinert.
Lösung
Erstelle eine Pipeline, die die Daten vorverarbeitet, das Modell trainiert und es dann mithilfe einer Kreuzvalidierung auswertet:
# Load libraries
from
sklearn
import
datasets
from
sklearn
import
metrics
from
sklearn.model_selection
import
KFold
,
cross_val_score
from
sklearn.pipeline
import
make_pipeline
from
sklearn.linear_model
import
LogisticRegression
from
sklearn.preprocessing
import
StandardScaler
# Load digits dataset
digits
=
datasets
.
load_digits
()
# Create features matrix
features ...
Get Maschinelles Lernen mit Python Kochbuch, 2. now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.