3 Gründe, Caret zu lernen

Machine Learning ist die Entwicklung und Anwendung von Algorithmen, die aus Daten lernen und Vorhersagen treffen. Von Suchergebnissen bis hin zu selbstfahrenden Autos: Es prägt längst unseren Alltag und zählt zu den spannendsten und am schnellsten wachsenden Bereichen der Data Science. Das Paket caret, gepflegt von Max Kuhn, ist in der R-Community die erste Wahl für Predictive Modeling und überwachtes Lernen. Dieses weit verbreitete Paket bietet eine einheitliche Schnittstelle zu den leistungsfähigsten Machine-Learning-Funktionen in R. Brauchst du noch Argumente? In diesem Beitrag nennen wir dir 3 Gründe, warum du das Paket caret lernen solltest. Danach kannst du DataCamps Kurs Machine Learning Toolbox belegen, unterrichtet von Zachary Deane-Mayer & Max Kuhn, den Co-Autoren von caret! 

1. Mit Caret erhöhst du deine Chancen auf einen Data-Science-Job

Schon mal Stellenausschreibungen für Data Science gelesen und Begriffe wie „Predictive Modeling“, „Klassifikation“, „Regression“ oder „Machine Learning“ gesehen? Wenn du eine Position in Data Science anstrebst, wird erwartet, dass du Erfahrung und Wissen in all diesen Themen mitbringst. Zum Glück deckt das Paket caret vieles davon ab. caret gilt als das „Schweizer Taschenmesser“ für Machine Learning mit R – es beherrscht viele Aufgaben in einem intuitiven, einheitlichen Format.

2. Caret gehört zu den populärsten R-Paketen

Das Paket caret wird monatlich über 38.000‑mal direkt heruntergeladen und zählt damit zu den beliebtesten Paketen in der R-Community. Das bringt klare Vorteile: reichlich Dokumentation und hilfreiche Tutorials. Du kannst das Paket Rdocumentation installieren, um nützliche Dokumentation und Community-Beispiele direkt in deiner R-Konsole aufzurufen. Kopiere einfach folgenden Code: 

# Install and load RDocumentation for comprehensive help with R packages and functions
install.packages("RDocumentation")
library("RDocumentation")Bereitgestellt von

Ein weiterer Vorteil eines weit verbreiteten Pakets: Sehr wahrscheinlich nutzen auch deine Kolleginnen und Kollegen caret – so lässt sich leichter gemeinsam an Projekten arbeiten. Außerdem ist caret eine Abhängigkeit für viele weitere Machine-Learning- und Modellierungspakete. Wenn du caret verstehst, lernst du andere R-Pakete einfacher und mit mehr Flow.

3. Caret ist leicht zu lernen und trotzdem sehr mächtig

Wenn du mit R startest, bietet dir caret eine einfache Oberfläche für komplexe Aufgaben. Du kannst zum Beispiel verschiedene Modellarten in einem konsistenten, bequemen Format trainieren. Du überwachst unterschiedliche Parametereinstellungen und bewertest die Performance, um ihren Einfluss auf dein Modell zu verstehen. Außerdem hilft dir caret dabei, für ein konkretes Problem das passende Modell zu finden, indem Genauigkeit und Leistung verglichen werden.

Löse die folgende Code-Challenge und sieh selbst, wie leicht sich mit caret Modelle bauen und Werte vorhersagen lassen. Wir haben den Datensatz mtcars bereits in Trainingsdaten train und Testdaten test aufgeteilt. Beide Objekte stehen dir in der Konsole zur Verfügung. Dein Ziel: Sage den Benzinverbrauch (miles per gallon) der Autos im test-Datensatz anhand ihres Gewichts voraus. Überzeug dich selbst, wie caret diese Aufgabe mit nur zwei Codezeilen meistert!

# Finish the model by replacing the blank with the `train` object
mtcars_model <- train(mpg ~ wt, data = ___, method = "lm")

# Predict the mpg of each car by replacing the blank with the `test` object
results <- predict(mtcars_model, newdata = ___)
       
# Print the `results` object
results

Willst du Caret selbst lernen?

Gute Nachrichten! DataCamp hat gerade den neuen Kurs Machine Learning with Caret in R veröffentlicht. Der Kurs wird von den Co-Autoren des caret-Pakets, Max Kuhn und Zachary Deane-Mayer, unterrichtet. Du lernst direkt von den Entwicklern – in 24 Videos und 88 interaktiven Übungen. Außerdem enthält der Kurs eine Fallstudie zu Customer Churn, in der du deine caret-Kompetenzen praktisch einsetzt. Worauf wartest du noch? Starte jetzt den Kurs!