Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Challenge: Solving Task Using Regularisation | Machine Learning Techniques
Data Anomaly Detection
course content

Зміст курсу

Data Anomaly Detection

Data Anomaly Detection

1. What is Anomaly Detection?
2. Statistical Methods in Anomaly Detection
3. Machine Learning Techniques

bookChallenge: Solving Task Using Regularisation

Завдання
test

Swipe to show code editor

Your task is to create a classification model using L2 regularization on the breast_cancer dataset. It contains features computed from a digitized image of a fine needle aspirate (FNA) of a breast mass. The task associated with this dataset is to classify the breast mass as malignant (cancerous) or benign (non-cancerous) based on the extracted features.

Your task is to:

  1. Specify argument at the LogisticRegression() constructor:
    • specify penalty argument equal to l2;
    • specify C argument equal to 1.
  2. Fit regularized model on the training data.

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 3. Розділ 4
toggle bottom row

bookChallenge: Solving Task Using Regularisation

Завдання
test

Swipe to show code editor

Your task is to create a classification model using L2 regularization on the breast_cancer dataset. It contains features computed from a digitized image of a fine needle aspirate (FNA) of a breast mass. The task associated with this dataset is to classify the breast mass as malignant (cancerous) or benign (non-cancerous) based on the extracted features.

Your task is to:

  1. Specify argument at the LogisticRegression() constructor:
    • specify penalty argument equal to l2;
    • specify C argument equal to 1.
  2. Fit regularized model on the training data.

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 3. Розділ 4
toggle bottom row

bookChallenge: Solving Task Using Regularisation

Завдання
test

Swipe to show code editor

Your task is to create a classification model using L2 regularization on the breast_cancer dataset. It contains features computed from a digitized image of a fine needle aspirate (FNA) of a breast mass. The task associated with this dataset is to classify the breast mass as malignant (cancerous) or benign (non-cancerous) based on the extracted features.

Your task is to:

  1. Specify argument at the LogisticRegression() constructor:
    • specify penalty argument equal to l2;
    • specify C argument equal to 1.
  2. Fit regularized model on the training data.

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Завдання
test

Swipe to show code editor

Your task is to create a classification model using L2 regularization on the breast_cancer dataset. It contains features computed from a digitized image of a fine needle aspirate (FNA) of a breast mass. The task associated with this dataset is to classify the breast mass as malignant (cancerous) or benign (non-cancerous) based on the extracted features.

Your task is to:

  1. Specify argument at the LogisticRegression() constructor:
    • specify penalty argument equal to l2;
    • specify C argument equal to 1.
  2. Fit regularized model on the training data.

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Секція 3. Розділ 4
Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
We're sorry to hear that something went wrong. What happened?
some-alt