Problèmes de classification

Name: Problèmes de classification
Author: Briana Brownell

Apprendre le processus de construction de modèles et les problèmes de classification multi-classes

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

Cours : à la demande

Dans ce chapitre, on parlera des problèmes de classification en général, et te donner une intuition sur la façon de configurer votre problème de modélisation de classification, et quelques considérations de base pour les types de données dont vous aurez besoin pour résoudre ce genre de problèmes. Imaginons que nous voulons créer un modèle de classification simple pour déterminer si un fruit ou un légume spécifique est une orange ou non. Nous avons donc une liste de différentes sortes de fruits, et nous avons examiné quelques fonctionnalités différentes qui seront probablement importants pour classer si oui ou non le fruit ou le légume est en fait une orange. Nous en avons donc trois ici, la couleur, la tranche, la forme, ainsi que la taille globale. Et en combinant ces trois caractéristiques différentes, nous pouvons déterminer si oui ou non le fruit ou le légume est en fait une orange. Vous pouvez donc imaginer le modèle de classificateur ressemblerait à quelque chose comme cet organigramme. Donc, nous regardons d'abord la couleur pour déterminer s'il est orange ou non, puis en regardant la tranche verticale, et puis enfin la taille afin de prendre cette décision quant à savoir si le fruit ou le légume est en fait une orange. Ceci est une représentation abstraite de la façon dont un modèle de classificateur peut fonctionner. Donc, dans ce cas, nous avons un organigramme, où il prend une décision, puis passe à la suivante. Ce n'est pas un composant nécessaire pour tous les modèles. Parfois, au lieu d'un organigramme, vous pourriez avoir certaines de ces décisions se fait en parallèle, mais pour représenter ce qui se passe dans la création du classificateur, il est plus facile de l'envisager comme une sorte d'organigramme. Bon, voyons comment cela fonctionne. Donc, en commençant par un citron vert, on regarde d'abord la couleur du fruit ou du légume, et parce que c'est vert, nous savons immédiatement que ce n'est pas une orange. Et pour une carotte ? Donc, parce que la couleur est orange, nous passons à cette deuxième étape, la forme de la tranche verticale. Dans ce cas, puisque la carotte est pointue, nous savons maintenant que la forme de la tranche verticale est pointue ou triangulaire, et donc nous savons que ce n'est pas en fait en orange. D'accord, mais qu'en est-il d'une citrouille ? Cette fois, nous avons la couleur orange. La forme de la tranche verticale est arrondie, mais ici, il échoue au dernier critère, qui est la taille. Donc comme c'est gros, notre classificateur dit que ce n'est pas une orange, ce qui est bien sûr correct. Mais alors, lorsque notre classificateur voit en fait une orange, ces trois attributs sont corrects, donc nous avons la couleur orange, la forme de la tranche verticale est arrondie, et la taille est moyenne. Et puis notre classificateur dira correctement que le fruit en question est en fait une orange. Alors maintenant, vous avez vu un modèle de classification simple, un classificateur qui déterminera si oui ou non un fruit ou un légume est en fait une orange. Et ce classificateur peut être utilisé comme exemple pour modéliser la façon dont n'importe quel classificateur pourrait fonctionner.

Intermédiaire Fournisseur : Briana Brownell 6 leçons · 27m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Chinese

Description du cours

Ces leçons expliqueront le processus typique de construction de modèles en référence au pipeline de modèles de classification. Vous recevrez également une introduction aux problèmes de classification binaire et multi-classes, et la meilleure façon de les utiliser. Vous apprendrez à utiliser l'ingénierie des fonctionnalités pour déterminer les meilleures entrées de données pour vos modèles de classification.

De plus, ces leçons discuteront et décriront la modélisation avec des métriques de qualité. Vous apprendrez à évaluer la qualité d'un modèle de classification et à valider un modèle de classification avant son déploiement.

Ce que vous allez apprendre

Suivre le processus typique de construction d'un modèle de classification, du pipeline de construction de modèles jusqu'au déploiement
Appliquer l'ingénierie des caractéristiques pour identifier les meilleures données d'entrée pour les modèles de classification
Distinguer les problèmes de classification binaire et multi-classes et quand chacun est le mieux utilisé
Évaluer les performances du modèle de classification à l'aide de métriques de qualité du modèle
Valider un modèle de classification avant de le déployer
Construire des modèles de classification pour des problèmes de classification binaire et multiclasse

Points clés à retenir

Le cours explique le processus typique de création de modèles en référence au pipeline de modèles de classification.
L'ingénierie des caractéristiques est utilisée pour déterminer les meilleures données d'entrée pour les modèles de classification.
Les problèmes de classification binaire et multi-classes diffèrent, et chacun a des scénarios dans lesquels il est le mieux utilisé.
Les métriques de qualité vous permettent d'évaluer la qualité d'un modèle de classification.
Un modèle de classification doit être validé avant son déploiement.

Foire aux questions

Que couvre ce cours ?

Il couvre le processus typique de construction de modèles pour le pipeline de modèles de classification, une introduction aux problèmes de classification binaire et multiclasse, l'ingénierie des caractéristiques pour le choix des meilleures données d'entrée, la modélisation avec des mesures de qualité et les méthodes de validation de modèles.

Quelle est la différence entre la classification binaire et multi-classes couverte ici ?

Le cours présente les problèmes de classification binaire et multi-classes et discute des manières dont chacun est le mieux utilisé.

Comment le cours aborde-t-il la qualité du modèle et la préparation au déploiement ?

Il discute et souligne la modélisation avec des métriques de qualité, enseignant comment évaluer la qualité d'un modèle de classification et comment valider un modèle de classification avant son déploiement.

Quelles compétences vais-je acquérir grâce à ce cours ?

Vous développerez des compétences en classification de données, ingénierie des caractéristiques, apprentissage des caractéristiques, sélection des caractéristiques, formation de modèles d'apprentissage automatique et classification statistique.

Quels sujets sont enseignés dans les leçons ?

Les leçons couvrent le processus de création de modèles, l'ingénierie des caractéristiques, les problèmes de classification binaire, les métriques de qualité des modèles, les problèmes de classification multiclasse et les méthodes de validation des modèles.