Imbalanced-learn: modelos de ML con datos desequilibrados

от партнера
Coursera Project Network
В этом Проект с консультациями вы:

Aprender que son los datos desbalanceados

Aplicar técnicas de under-sampling y over-sampling

Conocer las técnicas para tratar con datos desbalanceados

Clock2 horas
BeginnerНачинающий
CloudЗагрузка не требуется
VideoВидео на разделенном экране
Comment DotsИспанский
LaptopТолько для ПК

Este proyecto es un curso práctico y efectivo para aprender que es el desbalanceo de clases en Machine leraning y como tratarlo. Aprenderemos las técnicas más avanzadas para trabajar con datos desbalanceados como: bSMOTE, ADASYN, SMOTEEN, etc. También aprenderemos a generar modelos capaces de trabajar con datos desbalanceados. Una gran parte de los problemas de clasificación utilizan datos debalanceadas. Si no se tratan estos casos estaremos generando modelos que no estén funcionando correctamente, pese a que a priori parezca que si. Por eso, en este curso aprenderemos a como tratar este tipo de datos.

Навыки, которые вы получите

  • ADASYN
  • SMOTE
  • Machine Learning
  • Python Programming
  • Imbalanced-learn

Будете учиться пошагово

На видео, которое откроется рядом с рабочей областью, преподаватель объяснит эти шаги:

  1. Introducción al desbalanceo de clases

  2. Aplicando técnicas para trabajar con datos desbalanceados

  3. Balanceo aleatorio

  4. Under-sampling

  5. Over-sampling

  6. Over-sampling seguido de under-sampling

  7. Modelos para datos desbalanceados

Как устроены проекты с консультациями

Ваше рабочее пространство — это облачный рабочий стол в браузере. Ничего не нужно загружать.

На разделенном экране видео преподаватель предоставляет пошаговые

Часто задаваемые вопросы

Часто задаваемые вопросы

Остались вопросы? Посетите Центр поддержки учащихся.