کار با scikit-learn و همچنین train_test_split برای جداسازی مجموعه داده ها

یکی از جنبه های کلیدی یادگیری ماشین نظارت، ارزیابی مدل و اعتبار سنجی است. هنگامی که عملکرد پیش بینی مدل خود را ارزیابی می کنید، ضروری است که این روند بی طرفانه باشد. با استفاده از train_test_split () از کتابخانه اطلاعات علمی Scikit-Learn، می توانید مجموعه داده های خود را به زیر مجموعه هایی تقسیم کنید که پتانسیل تعصب را در فرآیند ارزیابی و اعتبار سنجی خود به حداقل برساند.
در این دوره، شما یاد خواهید گرفت:
چرا شما نیاز به تقسیم مجموعه داده های خود را در یادگیری ماشین نظارت
کدام زیر مجموعه ای از مجموعه داده شما نیاز به ارزیابی بی طرفانه از مدل خود را
نحوه استفاده از train_test_split برای تقسیم داده های خود را
چگونه برای ترکیب train_test_split با روش های پیش بینی
علاوه بر این، اطلاعات مربوط به ابزارهای مرتبط را از sklearn.model_selection دریافت خواهید کرد.

عنوان اصلی : Splitting Datasets With scikit-learn and train_test_split

سرفصل های دوره :

مجموعه داده های تقسیم شده با Scikit-learning and train_test_split:
001 مجموعه داده های تقسیم شده با Scikit-learning and train_test_split (Overview)
002 اهمیت تقسیم داده ها
003 نحوه نصب Scikit-Learn
004 مقدمه ای برای train_test_split
005 نحوه اعمال train_test_split
006 نتایج قابل بازیابی با train_test_split
02 آموزش نظارت بر ماشین با train_test_split:
001 مقدمه ای بر یادگیری ماشین نظارت
002 یک نمونه کوچک از رگرسیون خطی
003 یک مثال رگرسیون بزرگتر
004 سایر ویژگی های اعتبار سنجی
005 مجموعه داده های تقسیم با Scikit-learning and train_test_split (خلاصه)