Обсуждение их вариантов использования и пояснений с графическими визуализациями
Примечание.Эта статья дополняет мою предыдущую статью 10 удивительных визуализаций машинного обучения, которые вы должны знать в 2023 году новыми элементами, а также другим подходом. Некоторое содержание было взято непосредственно из этой статьи для полноты этой.
Визуализации машинного обучения — это специальный набор графиков, которые можно использовать для настройки гиперпараметров, оценки производительности модели, проверки предположений модели, уменьшения размерности, выбора функций, выявления закономерностей и корреляций между функциями, выявления кластеров в данных, обнаружения выбросов и многого другого. !
В некоторых контекстах визуализации машинного обучения называются графиками машинного обучения.
Сегодня вы познакомитесь со следующими типами визуализаций машинного обучения с примерами их использования и пояснениями. Для всех визуализаций также будут предоставлены дополнительные ресурсы, чтобы узнать, как их создавать с помощью библиотек Python и как они используются с алгоритмами машинного обучения.
Machine Learning Visualizations -------------------------------------- 01. Cumulative Explained Variance Plot 02. Scree Plot 03. Learning Curve for NNs 04. Validation Curve 05. Principal Component Plot 06. TSNE Plot 07. Feature Importances Plot 08. Recursive Feature Elimination Plot 09. Feature Heatmap 10. Class Imbalance Plot 11. Elbow Plot 12. Silhouette Plot 13. Class Prediction Error Plot 14. Confusion Matrix 15. Classification Report 16. Precision-Recall (PR) Curve 17. ROC-AUC 18. Residuals Plot 19. Prediction Error Plot 20. Cook's Distance Plot --------------------------------------- Summary of the use cases
1. График кумулятивной объясненной дисперсии (CEV)
Применение
Категория: Настройка гиперпараметров
График кумулятивной объясненной дисперсии (CEV) — это усовершенствованный инструмент для выбора правильного (наилучшего) количества компонентов в PCA…