Low-Code AI

Kapitel 8. Verbesserung der Leistung benutzerdefinierter Modelle

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In den Kapiteln 6 und 7 hast du gelernt, wie du Daten aufbereitest und eigene Modelle mit SQL, BigQuery ML und Python mit scikit-learn und Keras erstellst. In diesem Kapitel beschäftigst du dich erneut mit diesen Werkzeugen, um zusätzliche Funktionen zu entwickeln und Hyperparameter zu optimieren. Im Gegensatz zu den vorherigen Kapiteln beginnst du mit vorbereiteten Daten und einem bereits trainierten Modell und arbeitest von dort aus an der Verbesserung. Wenn du bei der Erkundung des Codes für die zuvor erstellten Modelle oder der Benutzeroberfläche von BigQuery verwirrt bist, solltest du die Diskussionen in den Kapiteln 6 und 7 noch einmal lesen.

Der Business Use Case: Gebrauchtwagen-Auktionspreise

Dein Ziel in diesem Projekt ist es, die Leistung eines ML-Modells zu verbessern, das für die Vorhersage des Auktionspreises von Gebrauchtwagen trainiert wurde. Das ursprüngliche Modell ist ein lineares Regressionsmodell, das in scikit-learn erstellt wurde und deinen Geschäftszielen nicht ganz gerecht wird. Du wirst die Werkzeuge von scikit-learn, Keras und BigQuery ML nutzen, um die Leistung deines Modells durch Feature Engineering und Hyperparameter-Tuning zu verbessern.

Der Datensatz, der für das Training des linearen Regressionsmodells verwendet wurde, wurde dir als CSV-Dateien zur ...