Кластеризация и классификация на Python

Мы разберем прикладные подходы к кластеризации и классификации данных с помощью машинного обучения для страхового скоринга Prudential в соревновании на Kaggle вплоть до формирования конечного результата.

В этом курсе:

• Проведение исследовательского анализа данных для поиска зависимостей: EDA.
• Метрики классификации: точность, полнота, F1, квадратичная каппа и матрица неточностей.
• Очистка данных и оптимизация потребления памяти.
• Кластеризация данных и метод ближайших соседей.
• Простая и иерархическая логистическая регрессия.
• Метод ближайших соседей и поиск оптимальной модели.
• Метод опорных векторов: SVM.
• Дерево принятия решения и случайный лес (бэггинг).
• XGBosot и градиентный бустинг.
• LightGBM и CatBoost
• Ансамбль стекинга для голосования и выбора лучшего результата.
• Выгрузка результата для соревнования на Kaggle.

Чему вы научитесь

• EDA: исследовательский анализ данных
• Точность, полнота, F1 и каппа метрики
• Простая кластеризация данных
• Логистическая регрессия: простая и многоуровневая
• Метод ближайших соседей: kNN
• Наивный Байес
• Метод опорных векторов: SVM
• Решающие деревья м случайный лес
• XGBoost и градиентный бустинг
• CatBoost и LightGBM
• Ансамбль голосования и стекинга

Задача страхового скоринга

• Страховой скоринг 
• F1 и Каппа оценки классификации 
• Метод ближайших соседей 
• kNN скоринг 

Логистическая регрессия и опорные векторы

• Обработка данных и оптимизация памяти 
• Логистическая регрессия 
• Иерархия логистической регрессии 
• SVM: метод опорных векторов 
• Сравнение классификации 

Решающие деревья и ансамбли бэггинга и бустинга

• Решающие деревья 
• Случайный лес 
• Бустинг с XGBoost 
• Градиентный бустинг 

Ансамбль стекинга и финальное решение

• LightGBM 
• CatBoost 
• Ансамбль классификации 
• Расчет результатов 
• Финальное решение