Problemas de clasificación

Name: Problemas de clasificación
Author: Briana Brownell

Aprenda el proceso de creación de modelos y los problemas de clasificación multiclase

Preview the first lesson free — get full access to all 6 lessons.

Curso: bajo demanda

En este capítulo, hablaremos de problemas de clasificación en general, y darte algo de intuición sobre cómo configurar su problema de modelado de clasificación, y algunas consideraciones básicas para los tipos de datos que necesitarás para resolver este tipo de problemas. Imaginemos que queremos crear un modelo de clasificación simple para determinar si una fruta o verdura específica es una naranja o no. Así que tenemos una lista de diferentes tipos de frutas, y hemos visto un par de características diferentes que probablemente van a ser importantes al clasificar si o no la fruta o verdura es de hecho una naranja. Así que tenemos tres aquí, el color, el corte, la forma, así como el tamaño total. Y al combinar esas tres características diferentes, podemos determinar si o no la fruta o verdura es de hecho una naranja. Entonces puedes imaginar el modelo del clasificador. se vería algo así como este diagrama de flujo. Así que inicialmente estamos mirando el color para determinar si es naranja o no, luego mirando el corte vertical, y finalmente el tamaño para tomar esa decisión en cuanto a si la fruta o verdura es de hecho una naranja. Esta es una representación abstracta. de la forma en que un modelo clasificador puede funcionar. Entonces, en este caso, tenemos un diagrama de flujo, donde toma una decisión y luego pasa a la siguiente. Ese no es un componente necesario para todos los modelos. A veces, en lugar de un diagrama de flujo, usted podría tener algunas de estas decisiones haciéndose en paralelo, pero para representar lo que está pasando en la creación del clasificador, es más fácil imaginarlo como una especie de diagrama de flujo. Bien, entonces veamos cómo funciona esto. Así que comenzando con una lima, inicialmente nos fijamos en el color de la fruta o verdura, y porque es verde, inmediatamente sabemos que no es una naranja. Entonces, ¿qué hay de una zanahoria? Entonces, debido a que el color es naranja, estamos pasando a esa segunda etapa, la forma de la rebanada vertical. En este caso, como la zanahoria es puntiaguda, ahora sabemos que la forma de la rebanada vertical es puntiaguda o triangular, y entonces sabemos que eso no es de hecho en naranja. Está bien, pero ¿qué pasa con una calabaza? Esta vez, tenemos el color naranja. La forma del corte vertical es redondeada, pero aquí falla en el último criterio, que es el tamaño. Como es grande, nuestro clasificador dice que no es una naranja, lo cual es, por supuesto, correcto. Pero luego, cuando nuestro clasificador de hecho ve una naranja, los tres de esos atributos son correctos, entonces tenemos el color naranja, la forma de la rebanada vertical es redondeada, y el tamaño es mediano. Y entonces nuestro clasificador dirá correctamente que la fruta en cuestión es de hecho una naranja. Ahora que ha visto un modelo de clasificación simple, un clasificador que determinará si una fruta o verdura es de hecho una naranja. Y este clasificador se puede usar como ejemplo. para modelar la forma en que cualquier clasificador podría funcionar.

Intermedio Proveedor : Briana Brownell 6 lecciones · 27m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Chinese

Descripción del curso

Estas lecciones explicarán el proceso típico de creación de modelos en referencia a la tubería del modelo de clasificación. También recibirá una introducción a los problemas de clasificación binarios y multiclase, y las formas en que se utilizan mejor. Aprenderá a utilizar la ingeniería de características para averiguar las mejores entradas de datos para sus modelos de clasificación.

Además, estas lecciones analizarán y esbozarán el modelado con métricas de calidad. Aprenderá a evaluar la calidad de un modelo de clasificación y a validar un modelo de clasificación antes de su implementación.

Lo que aprenderás

Seguir el proceso típico para construir un modelo de clasificación, desde el pipeline de construcción del modelo hasta la implementación
Aplicar la ingeniería de características para identificar las mejores entradas de datos para modelos de clasificación
Distinguir entre problemas de clasificación binaria y multiclase y cuándo es mejor usar cada uno
Evaluar el rendimiento del modelo de clasificación utilizando métricas de calidad del modelo
Validar un modelo de clasificación antes de implementarlo
Construir modelos de clasificación para problemas de clasificación binaria y multiclase

Puntos clave

El curso explica el proceso típico de construcción de modelos en referencia al pipeline del modelo de clasificación.
La ingeniería de características se utiliza para determinar las mejores entradas de datos para modelos de clasificación.
Los problemas de clasificación binaria y multiclase difieren, y cada uno tiene escenarios en los que es mejor utilizado.
Las métricas de calidad le permiten evaluar la calidad de un modelo de clasificación.
Un modelo de clasificación debe ser validado antes de su implementación.

Preguntas frecuentes

¿Qué cubre este curso?

Cubre el proceso típico de construcción de modelos para el pipeline del modelo de clasificación, una introducción a problemas de clasificación binaria y multiclase, ingeniería de características para elegir las mejores entradas de datos, modelado con métricas de calidad, y métodos de validación de modelos.

¿Cuál es la diferencia entre la clasificación binaria y multiclase cubierta aquí?

El curso introduce problemas de clasificación binaria y multiclase y analiza los modos en que cada uno es mejor utilizado.

¿Cómo aborda el curso la calidad del modelo y la preparación para la implementación?

Analiza y describe el modelado con métricas de calidad, enseñando cómo evaluar la calidad de un modelo de clasificación y cómo validar un modelo de clasificación antes de su implementación.

¿Qué habilidades adquiriré de este curso?

Desarrollará habilidades en Clasificación de datos, Ingeniería de características, Aprendizaje de características, Selección de características, Entrenamiento de modelos de aprendizaje automático, y Clasificación estadística.

¿Qué temas se enseñan en las lecciones?

Las lecciones cubren el proceso de construcción de modelos, ingeniería de características, problemas de clasificación binaria, métricas de calidad del modelo, problemas de clasificación multiclase, y métodos de validación de modelos.