Programmieren von Maschinellem Lernen in Python

Überwachtes Lernen beschreibt ein Szenario, in dem Erfahrung zu einem Trainingsfaktor wird, der wichtige Informationen enthält (z.B. Krank/Gesund-Etiketten für die Erkennung von Pflanzenkrankheiten), die in den ungesehenen "Testbeispielen", auf die das erlernte Fachwissen angewandt werden soll, fehlen. In diesem Szenario zielt das erlernte Fachwissen darauf ab, diese fehlenden Informationen für die Testdaten vorherzusagen. In diesem Sinne kann man sich die Umgebung als Lehrer vorstellen, der den Lernenden durch die Bereitstellung zusätzlicher Informationen, d. h. von Etiketten, überwacht. In diesem Buch werden wir überwachte maschinelle Lernmodelle diskutieren, durch die Sie die theoretischen Grundlagen, einige Beschreibungen von Anwendungsbereichen verstehen und dann jedes von ihnen in Jupyter Lab mit pandas und scikit-learn Bibliotheken für Python implementieren werden. Zunächst werden Sie mit der logistischen Regression (binäre Klassifizierung), der Multiklassenklassifizierung durch logistische Regression, Entscheidungsbäumen, Support Vector Machine - SVM (Support Vector Machines), Random Forest, K-Fold Cross Validation und schließlich Naive B