中
本课程将帮助我们评估和比较之前课程中开发的模型。到目前为止，我们已经开发出了回归和分类技术，但是分类器的误差应该低到什么程度（例如）才算 "足够好"？或者，我们如何决定两种回归算法中哪一种更好？ 在本课程结束时，您将熟悉能够评估和比较分类器的诊断技术，以及可用于不同回归和分类场景的性能指标。我们还将学习训练/验证/测试流水线，该流水线可用于确保您开发的模型能够很好地泛化到新（或 "未见"）数据中。
有意义的预测建模
您将学到什么
了解简单误差测量的定义（如 MSE、准确度、精确度/召回率）。
使用上述方法评估回归器/分类器的性能。
了解培训/测试成绩与可推广性之间的区别。
了解避免过度拟合和实现良好泛化性能的技术。
要了解的详细信息
了解顶级公司的员工如何掌握热门技能
积累特定领域的专业知识
本课程是 用于预测分析的 Python 数据产品 专项课程 专项课程的一部分
在注册此课程时，您还会同时注册此专项课程。
- 向行业专家学习新概念
- 获得对主题或工具的基础理解
- 通过实践项目培养工作相关技能
- 获得可共享的职业证书
该课程共有4个模块
在第一周，我们将复习教学大纲，下载所有课程资料，并为课程启动和运行您的系统。我们还将介绍监督学习结果诊断的基础知识。
涵盖的内容
6个视频4篇阅读材料3个作业2个讨论话题
本周，我们将学习如何创建一个简单的词袋进行分析。我们还将介绍正则化以及在构建模型时正则化的重要性。最后，我们将评估正则化模型，重点是分类器。
涵盖的内容
4个视频4个作业
本周，我们将学习验证以及如何与训练和测试同步实施。我们还将介绍如何在 Python 中实施正则化管道，并介绍一些最佳实践指南。
涵盖的内容
4个视频3个作业
在本课程的最后一周，您将在第一和第二课程 "用于预测分析的 Python 数据产品 "的项目基础上继续学习简单的预测机器学习算法。查找数据集，清理数据集，并对数据进行基本分析。评估您的模型，验证您的分析，并确保您没有过度拟合数据。
涵盖的内容
2篇阅读材料1次同伴评审1个讨论话题
获得职业证书
将此证书添加到您的 LinkedIn 个人资料、简历或履历中。在社交媒体和绩效考核中分享。
从 数据分析 浏览更多内容
状态：免费试用
状态：免费试用University of Minnesota
状态：免费试用Wesleyan University
状态：免费试用University of Colorado Boulder
人们为什么选择 Coursera 来帮助自己实现职业发展
Felipe M.
自 2018开始学习的学生
''能够按照自己的速度和节奏学习课程是一次很棒的经历。只要符合自己的时间表和心情，我就可以学习。'
Jennifer J.
自 2020开始学习的学生
''我直接将从课程中学到的概念和技能应用到一个令人兴奋的新工作项目中。'
Larry W.
自 2021开始学习的学生
''如果我的大学不提供我需要的主题课程，Coursera 便是最好的去处之一。'
Chaitanya A.
''学习不仅仅是在工作中做的更好：它远不止于此。Coursera 让我无限制地学习。'
学生评论
4.3
48 条评论
- 5 stars
56.25%
- 4 stars
25%
- 3 stars
12.50%
- 2 stars
4.16%
- 1 star
2.08%
显示 3/48 个
NS
4
已于 Nov 16, 2019审阅
Excellent content, but presentation is a bit challenging at times.
PT
5
已于 Mar 31, 2021审阅
The course provided a lot of insights into predictive modeling.
常见问题
要获取课程资料、作业和证书，您需要在注册课程时购买证书体验。 您可以尝试免费试听，或申请资助。课程可能提供 "完整课程，无证书"。通过该选项，您可以查看所有课程资料，提交必要的评估，并获得最终成绩。这也意味着您无法购买证书体验。
注册课程后，您就可以访问专项课程中的所有课程，完成作业后还可以获得证书。您的电子证书将添加到您的 "成就 "页面--在那里，您可以打印证书或将其添加到您的 LinkedIn 个人资料中。
是的。在特定的学习课程中，如果您付不起注册费，可以申请助学金或奖学金。如果您选择的学习课程有助学金或奖学金，您可以在说明页面找到申请链接。
更多问题
提供助学金，
¹ 本课程的部分作业采用 AI 评分。对于这些作业，将根据 Coursera 隐私声明使用您的数据。