RandomForest - очень просто о том, как использовать классификацию в Python

Рассмотрено применение алгоритма классификации RandomForest. Видео нацеленно на начинающих изучение темы машинного обучения. Пример блокнота можно найти по ссылке github.com/aik...

[@keeponwishing3856]

Дай Бог Вам крепкого здоровья! Вы очень помогаете студентам !

[@ValiShugaibov]

Спасибо большое, все понятно и доступно!

[@5gugorsky]

Хорошая подача материала! С удовольствием вас слушаю

[@romanomacroni4903]

Большой вам поклон за такое детальное объяснение. Вы единственный ко смог детально ясно и понятно объяснить как это работает.

[@ЮлияГраница-н3р]

Большое спасибо! Все очень доступно объяснено

[@АлександрМакаров-ы3ъ1ц]

Спасибо за видео, очень интересно.

[@elenagavrilova3109]

Большое спасибо!

[@andrewh2144]

Легенда

[@MsGleaming]

Почему в модели классификации используется r2_score?

[@aikula999]

Согласен, что не лучший вариант. Но позволяет быстро посмотреть насколько алгоритм умеет предсказывать лучше генератора случайных чисел

[@homasonya8178]

День добрый, но ссылки нет.

[@aikula999]

Прошу прощения, пропустил Ваш комментарий и ссылку забыл указать. Вы правы. Исправляюсь github.com/aikula/DataDriven/blob/master/RandomForest.ipynb
Также ссылка уже есть в описании.

[@homasonya8178]

@@aikula999 ничего спасибо Вам за видео

[@yersultanbakdaulet532]

Здравствуйте, а где взять ссылку на excel файл?

[@aikula999]

В Гите, где и сам блокнот github.com/aikula/DataDriven/blob/master/RandomForest.ipynb

[@yersultanbakdaulet532]

@@aikula999 спасибо, я не знал как пользоваться гитхабом

[@Web3.0-n2d]

Спасибо огромное, крайне актуально.

[@21f_ruslanov13]

здравствуйте, видео старое и понятия не имею ответите мне или нет, хотел спросить можно ли угадывать результаты, допустим 1 из 3х предоставленных вариантов , на базе старых результатов, поиск закономерности, если да то прошу помочь подсказками либо направить на какой нибудь ресурсный сайт с нужной мне инфой, пускай даже на английском. Если все получится, в долгу не останусь. Спасибо

[@aikula999]

Добрый день, да, конечно же можно. Это много классовая классификация. На самом деле даже особо ничего менять не надо. Вместо 0 и 1 у Вас появиться третий класс, например 3. Единственное, несколько по другому оценивается точность.

[@andreybagulnikov5404]

Хотелось бы ещё увидеть как работает бустинг

[@aikula999]

Точно так же 🙂

[@aikula999]

from sklearn.ensemble import GradientBoostingClassifier

[@aikula999]

clf = GradientBoostingClassifier(n_estimators=100, learning_rate=1.0, max_depth=1, random_state=0).fit(X_train, y_train) # прошу прощения что разными коментами

[@Kulinich_asa]

Спасибо))))

[@КсенияСкрябышева]

Лучшее объяснение, спасибо вам

[@andreybagulnikov5404]

Почему для кодирования не воспользовались функцией библиотеки skLearn LabelEncoder или OneHotEncoder, а написали собственный скрипт?

[@aikula999]

Стандартный LabelEncoder не ловит автоматически истинное расстояние между классами. В этом случае лучше формировать словарь в ручную. Например, есть у нас фича марки автомобилей: Жигули, Бентли, Рено, Ауди. Так вот автоматом будут присвоены метки: 0, 1, 2. И с точки зрения расстояния, окажется, что Ауди находится от Бентли "дальше", чем Рено или Жигули.