Машинное обучение: Кросс-валидация и оптимизация гиперпараметров

Этот курс охватывает ключевые методы и инструменты кросс-валидации и оптимизации гиперпараметров моделей машинного обучения, используя инструменты библиотеки Scikit-learn. В рамках курса рассматриваются различные стратегии разбиения данных. Важным аспектом станет изучение GridSearchCV и RandomizedSearchCV для эффективной оптимизации моделей.

• Этот курс погружает учащихся в важнейшие аспекты кросс-валидации и оптимизации гиперпараметров с применением библиотеки Scikit-learn
• Начнём с изучения базовых методов оценки моделей, используя функции cross_val_score и cross_validate, чтобы получать более точную оценку производительности модели путем использования кросс-валидации.
• Важной составляющей курса станет изучение различных стратегий кросс-валидации, таких как LeaveOneOut, ShuffleSplit и GroupKFold, каждая из которых подходит для определенных типов задач и данных.
• Курс также охватывает анализ кривых обучения с использованием функции learning_curve, что поможет понять, как объем данных влияет на производительность модели.
• Уделяется внимание и кривым валидации через функцию validation_curve, которая демонстрирует, как изменение гиперпараметров отражается на качестве модели.
• Изучение функции permutation_test_score позволит оценивать значимость моделей с использованием перестановочных тестов.
• Также рассматривается техника прогнозирования с кросс-валидацией через cross_val_predict, что окажется полезным для визуализации результатов.
• Наконец, познакомимся с методами оптимизации гиперпараметров, используя GridSearchCV и RandomizedSearchCV, что позволит автоматизировать процесс поиска наилучших гиперпараметров для моделей.

Курс для тех, кто уже сделал первые шаги в изучении машинного обучения, но, столкнувшись с вопросами кросс-валидации и оптимизации гиперпараметров, ощутил необходимость более глубокого понимания этих ключевых аспектов.

Автор – Сергей Спирёв:

• Имею двадцатилетний опыт работы в банковской, страховой и лизинговой сферах, где занимался финансовым анализом, моделированием, управлением активами.
• Анализирую инструменты фондового рынка с 2008 года.
• Имею большой профессиональный опыт работы с операциями на биржевом и внебиржевом рынках с ценными бумагами, валютами, драгоценными металлами, операциями РЕПО, своп, межбанковским кредитованием.

Программа курса

Перекрёстная проверка

1. Введение
2. cross_val_score()
3. cross_validate()
4. LeaveOneOut
5. ShuffleSplit, StratifiedShuffleSplit
6. GroupKFold
7. TimeSeriesSplit
8. learning_curve()
9. validation_curve()
10. permutation_test_score()
11. cross_val_predict()

Методы оптимизации гиперпараметров

1. GridSearchCV
2. RandomizedSearchCV