K Nearest Neighbors ist eine beliebte Klassifizierungsmethode, da sie einfach zu berechnen und zu interpretieren ist. In diesem Modul lernen Sie die Theorie hinter K Nearest Neighbors kennen. Außerdem finden Sie eine Demo, mit der Sie die Erstellung von K Nearest Neighbors-Modellen mit Sklearn üben können.

In diesem Modul erfahren Sie, wie Support-Vektor-Maschinen Hyperebenen konstruieren, um Ihre Daten in Regionen einzuteilen, die eine Mehrheit von Datenpunkten einer bestimmten Klasse enthalten. Obwohl Support-Vektor-Maschinen für Regression, Ausreißererkennung und Klassifizierung weit verbreitet sind, konzentriert sich dieses Modul auf letztere.

Entscheidungsbaummethoden sind aufgrund ihrer visuellen Attraktivität und hohen Interpretierbarkeit ein gängiges Basismodell für Klassifizierungsaufgaben. In diesem Modul lernen Sie die Theorie hinter den Entscheidungsbäumen und einige praktische Beispiele für die Erstellung von Entscheidungsbaummodellen zur Klassifizierung kennen. Sie werden die wichtigsten Vor- und Nachteile dieser Techniken kennenlernen. Dieses Hintergrundwissen wird Ihnen nützlich sein, wenn Sie im nächsten Modul mit Entscheidungsbaum-Ensembles konfrontiert werden.

Ensemble-Modelle sind eine sehr beliebte Technik, da sie dazu beitragen können, dass Ihre Modelle widerstandsfähiger gegen Ausreißer sind und bessere Chancen auf eine Generalisierung mit zukünftigen Daten haben. Sie haben auch an Popularität gewonnen, nachdem mehrere Ensembles dazu beigetragen haben, Prognosewettbewerbe zu gewinnen. In letzter Zeit hat sich das stochastische Gradient Boosting für viele Datenwissenschaftler zu einem beliebten Kandidatenmodell entwickelt. Dieses Modell führt Sie durch die Theorie hinter Ensemblemodellen und beliebten baumbasierten Ensembles.

Einige Klassifizierungsmodelle sind für Ausreißer, ein geringes Auftreten einer Klasse oder seltene Ereignisse besser geeignet als andere. Die gebräuchlichsten Methoden zur Verbesserung der Robustheit eines Klassifizierers hängen mit geschichteten Stichproben zusammen, um die Trainingsdaten wieder ins Gleichgewicht zu bringen. In diesem Modul lernen Sie sowohl stratifizierte Stichprobenverfahren als auch neuere Ansätze zur Modellierung von Datensätzen mit unausgewogenen Klassen kennen.