Logistic Regression 101: US Household Income Classification
Understand the theory and intuition behind Logistic Regression and XGBoost models.
Build and train Logistic Regression and XGBoost models to classify the Income Bracket of US Household.
Assess the performance of trained model and ensure its generalization using various KPIs such as accuracy, precision and recall.
In this hands-on project, we will train Logistic Regression and XG-Boost models to predict whether a particular person earns less than 50,000 US Dollars or more than 50,000 US Dollars annually. This data was obtained from U.S. Census database and consists of features like occupation, age, native country, capital gain, education, and work class. By the end of this project, you will be able to: - Understand the theory and intuition behind Logistic Regression and XG-Boost models - Import key Python libraries, dataset, and perform Exploratory Data Analysis like removing missing values, replacing characters, etc. - Perform data visualization using Seaborn. - Prepare the data to increase the predictive power of Machine Learning models by One-Hot Encoding, Label Encoding, and Train/Test Split - Build and train Logistic Regression and XG-Boost models to classify the Income Bracket of U.S. Household. - Assess the performance of trained model and ensure its generalization using various KPIs such as accuracy, precision and recall. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.
Навыки, которые вы получите
- Deep Learning
- Machine Learning
- Python Programming
- Artificial Intelligene(AI)
- classification
Будете учиться пошагово
На видео, которое откроется рядом с рабочей областью, преподаватель объяснит эти шаги:
Understand the problem statement and business case
Import Datasets and Libraries
Exploratory Data Analysis
Perform Data Visualization
Prepare the data to feed the model
Understand the Problem Statement and Business Case
Build and assess the performance of Logistic Regression models
Build and assess the performance of XG-Boost model
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
Что я получу, приобретя проект с рекомендациями?
Доступны ли проекты с консультациями на ПК и мобильных устройствах?
Какие преподаватели ведут проекты с рекомендациями?
Можно ли скачать работу из уже завершенного проекта с рекомендациями?
Какие правила возврата средств?
Можно ли получить финансовую помощь?
Можно ли прослушать проект с рекомендациями и посмотреть видео бесплатно?
Какие предварительные знания требуются для работы над проектом с рекомендациями?
Можно ли выполнить этот проект с рекомендациями в веб-браузере, не устанавливая специальное ПО?
Как организована учеба на проектах с рекомендациями?
Остались вопросы? Посетите Центр поддержки учащихся.
Coursera Footer
