Je construirai et optimiserai des modèles de régression en apprentissage automatique avec Python
Ingénieur en IA et en apprentissage automatique
À propos de ce service
Cherchez-vous un modèle de régression en apprentissage automatique fiable ?
Avec 2 ans d'expérience en IA, apprentissage automatique et analytique prédictive, j’aide à transformer des données brutes en informations pertinentes en utilisant Python.
CE QUE JE FAIS :
Chargement et compréhension des données
Nettoyage et prétraitement des données
Gestion des valeurs manquantes et des valeurs aberrantes
Création et sélection de caractéristiques
Entraînement et comparaison de 7 à 8 modèles de régression
Évaluation des modèles avec R², MAE, RMSE et MAPE
Ajustement des hyperparamètres avec GridSearchCV ou RandomizedSearchCV
Sélection et livraison du modèle les plus performants
ALGorithMES : Régression linéaire, Ridge, Lasso, arbre de décision, forêt aléatoire, boosting, XGBoost et CatBoost.
TECHNOLOGIES : Python, Pandas, NumPy, Scikit-learn, Jupyter Notebook et Google Colab.
CE QUE VOUS OBTIENDREZ :
Code Python propre et bien structuré
Modèle entraîné et comparaison de performances
Évaluation et optimisation du modèle
Livraison professionnelle du projet
Je fournis des solutions de régression en Machine Learning de bout en bout pour des projets commerciaux, académiques et d’analytique prédictive.
Veuillez me contacter avant de commander afin de discuter de votre jeu de données et de vos exigences !
Mon portfolio
FAQ
Traduction automatique
Dois-je fournir mon propre ensemble de données ?
Oui, veuillez fournir votre jeu de données au format CSV, Excel ou tout autre format pris en charge. Si vous n’avez pas de jeu de données, contactez-moi d’abord pour discuter de votre projet et des options disponibles.
Quelles algorithmes de régression allez-vous utiliser ?
Je peux entraîner et comparer 7 à 8 algorithmes de régression, notamment Régression Linéaire, Forêt Aléatoire, Arbre de Décision, XGBoost, CatBoost et Gradient Boosting. Le choix dépend de votre jeu de données et des exigences du projet.
Proposez-vous l’optimisation des hyperparamètres ?
Oui ! J’utilise GridSearchCV ou RandomizedSearchCV pour optimiser le modèle de régression le plus performant et améliorer ses performances en fonction de métriques d’évaluation appropriées.
Que vais-je recevoir après la fin du projet ?
Vous recevrez le code source Python, le notebook Jupyter, les résultats de comparaison des modèles, les métriques d’évaluation et le fichier du modèle entraîné. Des livrables supplémentaires peuvent être discutés avant la commande.

