【项目】受监督的回归机器学习项目
文件列表(压缩包大小 7.27M)
免费
概述
使用提供的建筑能源数据开发一个模型,该模型可以预测建筑物的能源之星得分, 然后解释结果以找到最能预测得分的变量。
这是一个受监督的回归机器学习任务:给定一组包含目标(在本例中为分数)的数据,我们希望训练一个可以学习将特征(也称为解释变量)映射到目标的模型。
我们可以知道数据的特征和目标,我们的目标是训练可以学习两者之间映射关系的模型。
Energy Star Score是一个连续变量。
在训练中,我们希望模型能够学习特征和分数之间的关系,因此我们给出了特征和答案。然后,为了测试模型的学习效果,我们在一个从未见过答案的测试集上进行评估
1. 数据清理和格式化
1.1 加载并检查数据 1.2 数据类型和缺失值 1.2.1 将数据转换为正确的类型 1.3 处理缺失值
2. 探索性数据分析
2.1 单变量图 2.2 去除异常值 2.3 寻找关系 2.4 特征与目标之间的相关性 2.5 双变量图(Two-Variable Plots) 2.5.1 Pairs Plot
3. 特征工程和选择
3.1 特征工程 3.2 特征选择(去除共线特征) 3.3 划分训练集和测试集 3.4 建立Baseline
4. 基于性能指标比较几种机器学习模型
4.1 输入缺失值 4.2 特征缩放 4.3 - 需要评估的模型
5. 对最佳模型执行超参数调整,即优化模型
5.1 超参数 5.2 使用随机搜索和交叉验证进行超参数调整
6. 在测试集上评估最佳模型
7. 解释模型结果
7.1 特征重要性 - Feature Importances 7.2 使用特征重要性进行特征选择 7.3 本地可解释的与模型无关的解释- Locally Interpretable Model-agnostic Explanations (LIME) 7.4 检查单个决策树
8.得出结论&&记录发现
8.1 得出结论 8.2 记录发现
via:https://github.com/DeqianBai/Your-first-machine-learning-Project---End-to-End-in-Python
如果遇到文件不能下载或其他产品问题,请添加管理员微信:ligongku001,并备注:产品反馈
评论(0)