Modelleri ayarlama

Python ile Machine Learning kullanarak TOB tahmini

Kevin Huo

Instructor

Düzenlileştirme

Mavi ve yeşil çizgili düzenlileştirme örneği

Düzenlileştirme: bir modeldeki parametre katsayılarının büyüklüğünü değiştirerek aşırı uyumu azaltma
Düzenlileştirme, performans metriklerini ve dolayısıyla reklam harcaması ROI'sini artırabilir

Düzenlileştirme örnekleri

Lojistik Regresyon: C parametresi, düzenlileştirme gücünün tersidir.
En azdan en çok karmaşığa: C=0.05 < C=0.5 < C=1
Karar Ağacı: max_depth ağacın katman sayısını sınırlar.
En azdan en çok karmaşığa: max_depth=3 < max_depth=5 < max_depth=10

Çapraz doğrulama

K-katlı çapraz doğrulama

k katın her biri sırayla test (doğrulama) seti olur; diğer k-1 kat eğitim için kullanılır.
Böylece model performansının k değerlendirmesi elde edilir.
Ayrı bir nihai test setiniz yine vardır.

Çapraz doğrulama örnekleri

k_fold = KFold(n_splits = 4, random_state = 0, shuffle = True)

for i in [3, 5, 10]:
  clf = DecisionTreeClassifier(max_depth = i)
  cv_precision = cross_val_score(
    clf, X_train, y_train, cv = k_fold, 
    scoring = 'precision_weighted')

Değerlendirme (scoring) dizgileri: precision_weighted, recall_weighted, roc_auc

Haydi pratik yapalım!

Python ile Machine Learning kullanarak TOB tahmini