Classification Trees in Python, From Start To Finish
Create Classification Trees in Python
Apply Cost Complexity Pruning in Python
Apply Cross Validation in Python
Create Confusion Matrices in Python
In this 1-hour long project-based course, you will learn how to build Classification Trees in Python, using a real world dataset that has missing data and categorical data that must be transformed with One-Hot Encoding. We then use Cost Complexity Pruning and Cross Validation to build a tree that is not overfit to the Training Dataset. This course runs on Coursera's hands-on project platform called Rhyme. On Rhyme, you do projects in a hands-on manner in your browser. You will get instant access to pre-configured cloud desktops containing all of the software and data you need for the project. Everything is already set up directly in your Internet browser so you can just focus on learning. For this project, you’ll get instant access to a cloud desktop with (e.g. Python, Jupyter, and Tensorflow) pre-installed. Prerequisites: In order to be successful in this project, you should be familiar with Python and the theory behind Decision Trees, Cost Complexity Pruning, Cross Validation and Confusion Matrices. Notes: - 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.
Kompetenzen, die Sie erwerben werden
- Confusion Matrix
- Classification Trees
- Cost Complexity Pruning
- Cross Validation
Schritt für Schritt lernen
In einem Video, das auf einer Hälfte Ihres Arbeitsbereichs abgespielt wird, führt Sie Ihr Dozent durch diese Schritte:
Task 1: Import the modules that will do all the work
Task 2: Import the data
Task 3: Missing Data Part 1: Identifying Missing Data
Task 4: Missing Data Part 2: Dealing With Missing Data
Task 5: Format Data Part 1: Split the Data into Dependent and Independent Variables
Task 6: Format the Data Part 2: One-Hot Encoding
Task 7: Build A Preliminary Classification Tree
Task 8: Cost Complexity Pruning Part 1: Visualize alpha
Task 9: Cost Complexity Pruning Part 2: Cross Validation For Finding the Best Alpha
Task 10: Building, Evaluating, Drawing, and Interpreting the Final Classification Tree
Ablauf angeleiteter Projekte
Ihr Arbeitsbereich ist ein Cloud-Desktop direkt in Ihrem Browser, kein Download erforderlich
Ihr Dozent leitet Sie in einem Video mit geteiltem Bildschirm Schritt für Schritt an.
Bewertungen
Top-Bewertungen von CLASSIFICATION TREES IN PYTHON, FROM START TO FINISH
Josh Starmer's videos and courses are always simple and easy to understand. Thank you for this wonderful course. I will definitely recommend everyone to take this course.
A very informative and well guided short session to understand overview of Classification Trees. Covers lot of important concepts in 1 hour. Highly recommend
Awesome Instructor! Like this course. It clears basic knowledge about DecisionTreeClassifier, Tree Pruning, Dealing with missing Data etc.
This is a great course. The instructor does a wonderful job of explaining concepts and providing useful code.
Häufig gestellte Fragen
Häufig gestellte Fragen
Was bekomme ich, wenn ich ein angeleitetes Projekt kaufe?
Sind angeleitete Projekte auf dem Desktop und auf Mobilgeräten verfügbar?
Wer sind die Dozenten bei angeleiteten Projekten?
Kann ich die Arbeit aus meinem angeleiteten Projekt herunterladen, nachdem ich sie abgeschlossen habe?
Wie erfolgen Rückerstattungen?
Ist finanzielle Unterstützung möglich?
Kann ich ein angeleitetes Projekt auditieren und den Videoteil kostenlos anschauen?
Wie viel Erfahrung brauche ich für dieses angeleitete Projekt?
Kann ich dieses angeleitete Projekt direkt über meinen Webbrowser abschließen, anstatt spezielle Software zu installieren?
Wie ist die Lernerfahrung bei angeleiteten Projekten?
Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.
Coursera Footer
