Wahrscheinlichkeiten kalibrieren
Viele Machine-Learning-Modelle (wie Random Forests oder SVMs) optimieren auf Trennschärfe (ROC-AUC, Accuracy), liefern aber keine echten Wahrscheinlichkeiten. Ein Score von 0.8 bedeutet hier oft nicht, …
Schlagwort: Machine Learning
Machine Learning Pipeline mit Vertex AI Pipelines
Basierend auf dem ersten Beitrag zu Vertex AI Pipelines wird in diesem Beitrag die Erstellung einer kompletten Machine Learning Pipeline mit Vertex AI Pipelines erklärt. …
Imbalanced Data
Eines der häufigsten Probleme beim Trainieren von Machine Learning Modellen sind unbalancierte Daten, also ein Datensatz, in dem die Klassen stark ungleich verteilt sind. Wenn …
Machine Learning Pipelines mit Scikit-Learn
In den meisten Machine-Learning-Projekt kommt irgendwann der Moment, an dem die Datenaufbereitung unübersichtlich wird: Man hat mehrere Schritte zur Vorverarbeitung, unterschiedliche Feature-Typen und Modelle, die …
Experiment Tracking mit MLflow und Vertex AI
Beim Trainieren von Machine-Learning-Modellen entsteht schnell eine Vielzahl an Varianten: unterschiedliche Hyperparameter, Trainingsdaten, Modelle und Evaluationsmetriken. Um den Überblick zu behalten, ist Experiment Tracking unerlässlich. …
Baumbasierte Verfahren und Gradient Boosting
Baumbasierte Verfahren wie bspw. XGBoost (Extreme Gradient Boosting) sind die mit am weitesten verbreiteten Machine-Learning-Frameworks. Fast alle Data Scientisten kennen mindestens eines dieser Framework und …
Explainable A.I.
/ds/shap Machine-Learning-Modelle werden immer leistungsfähiger, aber oft auch komplexer und undurchsichtiger. Während ein einfaches lineares Modell noch leicht zu interpretieren ist, sind Random Forests oder …