Dans le cours : Machine learning : Traitement du langage naturel avec Python
Accédez au cours complet aujourd’hui
Inscrivez-vous aujourd’hui pour accéder à plus de 24 600 cours dispensés par des experts.
Aborder l'algorithme Support Vector Machine - Tutoriel Python
Dans le cours : Machine learning : Traitement du langage naturel avec Python
Aborder l'algorithme Support Vector Machine
Nous allons aborder l'un des algorithmes les plus populaires, mais aussi les plus performants en « machine learning » qui est l'algorithme Support Vector Machine. Bien sûr, nous n'allons pas entrer dans les détails techniques de cet algorithme ; pour cela, il faudrait consulter des formations spécialisées en machine learning. Ici, il s'agit de donner juste l'intuition sur le fonctionnement de cet algorithme puisque nous allons l'appliquer juste après pour réaliser notre premier modèle qui sait reconnaître les e-mails qui sont des spams de ceux qui ne le sont pas. Pour illustrer le fonctionnement de l'algorithme Support Vector Machine, nous allons utiliser les quatre graphiques suivants. Supposons que nous disposons d'un jeu de données d'entraînement qui est composé par les carrés et les cercles vides. Ici, dans un premier temps, nous allons ignorer les carrés remplis, ainsi que les cercles remplis. Nous allons uniquement considérer les carrés et les cercles vides. Supposons que…
Entraînez-vous tout en suivant la formation avec les fichiers d’exercice.
Téléchargez les fichiers utilisés par l’instructeur pour enseigner le cours. Suivez attentivement et apprenez en regardant, en écoutant et en vous entraînant.
Table des matières
-
-
-
-
-
-
-
-
(Verrouillé)
Modéliser en machine learning4 m 21 s
-
(Verrouillé)
Aborder l'algorithme Support Vector Machine4 m 40 s
-
(Verrouillé)
Utiliser le SVM avec scikit-learn et CountVectorizer5 m 49 s
-
(Verrouillé)
Tester le modèle de classification SVM5 m 7 s
-
(Verrouillé)
Mesurer les performances du modèle de classification SVM5 m 12 s
-
Utiliser le SVM avec la cross-validation4 m 55 s
-
(Verrouillé)
Utiliser le SVM avec TF-IDF4 m 15 s
-
(Verrouillé)
-
-
-
-