Python — od podstaw do zaawansowanego · scikit-learn — klasyczne ML
Metryki i tuning hiperparametrów
scikit-learn — klasyczne ML
Wprowadzenie
Trening to dopiero połowa pracy — pozostaje OCENA modelu (czy 99% accuracy oznacza model dobry, czy oszukujący?) i DOSTROJENIE hiperparametrów (czy max_depth=5 to optimum, czy 50?). Lekcja systematyzuje metryki klasyfikacji (accuracy myli przy klasach niezbalansowanych — precision/recall/F1/ROC-AUC są zwykle lepsze) i regresji (MAE vs MSE vs R²). Pokazuje narzędzia tuningu (GridSearchCV dla małych grids, RandomizedSearchCV dla dużych) z poprawną walidacją krzyżową. Po lekcji nie będziesz raportować jednej metryki — będziesz wiedział, której z DZIESIĘCIU dostępnych użyć dla swojego problemu i jak ją zoptymalizować.