Évaluer et finaliser votre modèle axé sur les fonctionnalités

Aperçu

Master feature engineering across Linear Regression, Random Forest, and LightGBM—build model-specific features, compare RMSE results, and refine pipelines with evidence-based decisions.

Programme

• Introduction à l'ingénierie des caractéristiques
Aperçu de l'ingénierie des caractéristiques
Importance dans la performance du modèle
• Ingénierie des caractéristiques pour la régression linéaire
Identification des caractéristiques clés
Transformations et interactions
Gestion de la multicolinéarité
• Ingénierie des caractéristiques pour la forêt aléatoire
Importance de la sélection des caractéristiques
Techniques pour gérer les variables catégorielles
Construction et évaluation de l'importance des caractéristiques
• Ingénierie des caractéristiques pour LightGBM
Compréhension du boosting et de l'interaction des caractéristiques
Techniques pour gérer les valeurs manquantes
Importance des caractéristiques dans LightGBM
• Comparaison de la performance des modèles
Introduction à l'erreur quadratique moyenne (RMSE)
Comparaison des modèles utilisant le RMSE
Visualisation de la performance des modèles
• Affinage des pipelines de modèles
Construction de pipelines de données pour l'ingénierie des caractéristiques
Sélection des caractéristiques basée sur des preuves
Affinement itératif et test
• Études de cas et applications pratiques
Application réelle de l'ingénierie des caractéristiques dans différents modèles
Leçons apprises et meilleures pratiques
• Projet final et évaluation
Concevoir et mettre en œuvre un pipeline de modèle
Présentation et examen par les pairs des résultats
Retour d'information et amélioration itérative
• Conclusion et orientations futures de l'ingénierie des caractéristiques
Résumé des concepts clés
Tendances émergentes et technologies en ingénierie des caractéristiques

---

Matières

Data Science