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…