Classification Trees in Python, From Start To Finish

4.6
étoiles
184 évaluations
Offert par
Coursera Project Network
6,221 déjà inscrits
Dans ce projet guidé, vous :

Create Classification Trees in Python

Apply Cost Complexity Pruning in Python

Apply Cross Validation in Python

Create Confusion Matrices in Python

Clock2 hours/week
IntermediateIntermédiaire
CloudAucun téléchargement requis
VideoVidéo en écran partagé
Comment DotsAnglais
LaptopOrdinateur de bureau uniquement

In this 1-hour long project-based course, you will learn how to build Classification Trees in Python, using a real world dataset that has missing data and categorical data that must be transformed with One-Hot Encoding. We then use Cost Complexity Pruning and Cross Validation to build a tree that is not overfit to the Training Dataset. This course runs on Coursera's hands-on project platform called Rhyme. On Rhyme, you do projects in a hands-on manner in your browser. You will get instant access to pre-configured cloud desktops containing all of the software and data you need for the project. Everything is already set up directly in your Internet browser so you can just focus on learning. For this project, you’ll get instant access to a cloud desktop with (e.g. Python, Jupyter, and Tensorflow) pre-installed. Prerequisites: In order to be successful in this project, you should be familiar with Python and the theory behind Decision Trees, Cost Complexity Pruning, Cross Validation and Confusion Matrices. Notes: - This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.

Les compétences que vous développerez

Confusion MatrixClassification TreesCost Complexity PruningCross Validation

Apprendrez étape par étape

Votre enseignant(e) vous guidera étape par étape, grâce à une vidéo en écran partagé sur votre espace de travail :

  1. Task 1: Import the modules that will do all the work

  2. Task 2: Import the data

  3. Task 3: Missing Data Part 1: Identifying Missing Data

  4. Task 4: Missing Data Part 2: Dealing With Missing Data

  5. Task 5: Format Data Part 1: Split the Data into Dependent and Independent Variables

  6. Task 6: Format the Data Part 2: One-Hot Encoding

  7. Task 7: Build A Preliminary Classification Tree

  8. Task 8: Cost Complexity Pruning Part 1: Visualize alpha

  9. Task 9: Cost Complexity Pruning Part 2: Cross Validation For Finding the Best Alpha

  10. Task 10: Building, Evaluating, Drawing, and Interpreting the Final Classification Tree

Comment fonctionnent les projets guidés

Votre espace de travail est un bureau cloud situé dans votre navigateur, aucun téléchargement n'est requis.

Votre enseignant(e) vous guide étape par étape dans une vidéo en écran partagé

Enseignant

Avis

Meilleurs avis pour CLASSIFICATION TREES IN PYTHON, FROM START TO FINISH

Voir tous les avis

Foire Aux Questions

Foire Aux Questions

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.