آموزش سطح بالا: مدل سازی داده پایتون و معیارهای ارزیابی مدل

معرفی Introduction

• مدل سازی داده پایتون (در حال انجام) Python data modeling (In progress)

• استفاده از GitHub Codespaces با این دوره Using GitHub Codespaces with this course

1. معیارهای ارزیابی مدل 1. Model Evaluation Metrics

• محاسبه دقت Calculating accuracy

• محاسبه امتیاز F و MCC Calculating an F-score and MCC

• ارزیابی منحنی های ROC Evaluating ROC curves

• محاسبه RMSE و MAE Calculating RMSE and MAE

2. مدل سازی 2. Modeling

• درج مقادیر گمشده Imputing missing values

• تعادل داده ها Balancing data

• پارتیشن بندی داده ها Partitioning data

• ذخیره داده ها برای مدل ها Saving data for models

• تنظیم مدل های خود Tuning your models

• استفاده از رگرسیون خطی Using linear regression

• استفاده از رگرسیون لجستیک Using logistic regression

• استفاده از درخت تصمیم Using decision trees

• استفاده از جنگل تصادفی Using random forest

• با استفاده از نمودارهای XGBoost و SHAP Using XGBoost and SHAP plots

• طبقه بندی با شبکه های عصبی عمیق Classification with deep neural networks

• ذخیره و استقرار مدل ها Saving and deploying models