Come creare un buon classificatore
-
Output del classificatore (6:33)
-
Precisione, Richiamo, F1 (6:22)
-
Matrice di Confusione (2:49)
-
Soglia del Classificatore (2:00)
-
Curva ROC (5:04)
-
Curva di Precisione e Richiamo (2:03)
-
Classi sbilanciate, il problema (8:31)
-
Classi sbilanciate, leggere le metriche (5:08)
-
Classi sbilanciate, la soluzione (6:46)
-
Classificatore Binario vs Multiclass vs Multilabel (5:07)
-
Multilabel, come preparare i dati (5:59)
-
Multilabel, addestramento e metriche (3:26)
-
Multilabel, uno contro tutti (OneVsRestClassifier) (4:54)
Regolarizzazione
Curve di apprendimento
Cross Validation
Grid Search
Pipeline
Progetto biciclette con ColumnTransformer, Pipeline e Grid
Selezionare, combinare e valutare le feature
-
Le migliori pratiche sulle feature (2:27)
-
Selezione delle feature, K-best (6:35)
-
Selezione delle feature, K-best e Grid Search (7:01)
-
RFE, Eliminazione Ricorsiva delle Feature (6:19)
-
PCA, intuizione (3:21)
-
PCA, utilizzo con la pipeline (4:40)
-
PCA, interpretazione e visualizzazione (5:50)
-
PCA, pro e contro (0:51)
-
BONUS: Lo scandalo Facebook e Cambridge Analytica (4:49)
-
Feature augmentation, creazione di dataset sintetico (3:35)
-
Feature augmentation, limiti del modello lineare (4:49)
-
Feature augmentation con i polinomi (6:39)
-
Feature augmentation nel playground di Google (2:40)
-
Importanza della feature nei modelli lineari (7:22)
-
Importanza delle feature negli alberi di decisione (2:51)
-
Permutation Feature Importance (13:08)
-
Grafici bonus - feature vs target (2:26)
-
Partial Dependence Plots (9:43)
Ensembling: usare più modelli contemporaneamente
-
Addestrare più modelli (9:48)
-
Comparare visivamente diversi modelli (5:04)
-
Mettere i modelli a votazione - VotingClassifier (11:13)
-
Perfezionare l'ensemble con la grid search (9:27)
-
Differenza tra Bagging e Boosting (2:31)
-
Random Forest (8:06)
-
BaggingClassifier e BaggingRegressor (7:34)
-
Adaptive Boosting (9:26)
-
Gradient Boosting (4:21)
Conclusione
