Weiter zum Inhalt

Kurs

Maschinelles Lernen mit caret in R

MittelSchwierigkeitsgrad

Aktualisiert 11/2023

In diesem Kurs lernst du die wichtigsten Konzepte des maschinellen Lernens kennen, zum Beispiel wie man Vorhersagemodelle erstellt und bewertet.

Kurs kostenlos starten

RMachine Learning

4 Std.

24 Videos

88 Übungen

6,200 XP

60,668

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

Maschinelles Lernen ist die Erforschung und Anwendung von Algorithmen, die aus Daten lernen und Vorhersagen treffen. Von Suchergebnissen bis zu selbstfahrenden Autos: Es ist in allen Bereichen unseres Lebens präsent und eines der spannendsten und am schnellsten wachsenden Forschungsfelder in der Datenwissenschaft. In diesem Kurs lernst du die zentralen Konzepte des maschinellen Lernens kennen: wie man Vorhersagemodelle erstellt und bewertet, wie man sie für optimale Leistung abstimmt, wie man Daten für bessere Ergebnisse vorverarbeitet und vieles mehr. Das beliebte R-Paket caret, das eine einheitliche Schnittstelle zu R's leistungsstärksten ML-Verfahren bietet, wird im gesamten Kurs verwendet.

Voraussetzungen

Introduction to Regression in R

1

Regressionsmodelle: Fitten und Leistung bewerten

In diesem ersten Kapitel passt du Regressionsmodelle mit train() an und bewertest ihre Out-of-Sample-Leistung mithilfe von Kreuzvalidierung und Root-Mean-Square Error (RMSE).

Willkommen im Kurs

In-Sample-RMSE für lineare Regression

In-Sample-RMSE für lineare Regression auf diamonds

Fehlermaße außerhalb der Stichprobe

Out-of-sample-RMSE für lineare Regression

Den Data Frame zufällig anordnen

Probiere einen 80/20‑Split aus

Vorhersage auf dem Testset

RMSE des Testsets per Hand berechnen

Out-of-sample-RMSE mit In-sample-RMSE vergleichen

Kreuzvalidierung

Vorteil der Cross-Validation

10-fache Kreuzvalidierung

5-fache Kreuzvalidierung

5 x 5-fache Kreuzvalidierung

Vorhersagen für neue Daten treffen

Kapitel starten

2

Klassifikationsmodelle: Fitten und Leistung bewerten

In diesem Kapitel passt du Klassifikationsmodelle mit train() an und bewertest ihre Out-of-Sample-Leistung mithilfe von Kreuzvalidierung und Area under the Curve (AUC).

Kapitel starten

3

Modellparameter abstimmen, um die Leistung zu verbessern

In diesem Kapitel nutzt du die Funktion train(), um Modellparameter per Kreuzvalidierung und Grid Search zu justieren.

Random Forests und Wein

Random Forests vs. lineare Modelle

Einen Random Forest fitten

Erkunde einen größeren Modellraum

Vorteil einer längeren tuneLength

Probiere eine längere Tune Length aus

Eigene Tuning-Grids

Vorteile eines benutzerdefinierten Tuning-Grids

Random Forest mit eigener Tuning-Grid fitten

Einführung in glmnet

Vorteil von glmnet

Erstelle ein eigenes trainControl

glmnet mit benutzerdefiniertem trainControl fitten

glmnet mit eigener Tuning-Grid

Warum ein benutzerdefiniertes Tuning-Grid?

glmnet mit benutzerdefiniertem trainControl und Tuning

glmnet-Plots interpretieren

Kapitel starten

4

Daten vorverarbeiten

In diesem Kapitel übst du, mit train() Daten vor der Modellerstellung vorzuverarbeiten, um deine Fähigkeit zu verbessern, genaue Vorhersagen zu treffen.

Median-Imputation

Median-Imputation vs. Zeilen weglassen

Median-Imputation anwenden

KNN-Imputation

KNN-Imputation mit Median-Imputation vergleichen

KNN-Imputation verwenden

KNN- und Median-Imputation vergleichen

Mehrere Vorverarbeitungsschritte

Reihenfolge der Verarbeitungsschritte

Kombinieren von Preprocessing-Methoden

Umgang mit wenig aussagekräftigen Prädiktoren

Warum Prädiktoren mit nahezu keiner Varianz entfernen?

Prädiktoren mit nahezu Null-Varianz entfernen

preProcess() und nearZeroVar()

Modell auf reduzierten Blood-Brain-Daten fitten

Hauptkomponentenanalyse (PCA)

PCA als Alternative zu nearZeroVar() verwenden

Kapitel starten

5

Modelle auswählen: Eine Fallstudie zur Churn-Vorhersage

Im letzten Kapitel dieses Kurses lernst du, wie du mit resamples() mehrere Modelle vergleichst und das/die beste(n) auswählst (oder ensemblest).

Ein trainControl wiederverwenden

Warum ein trainControl wiederverwenden?

Eigene Train/Test-Indizes erstellen

glmnet wieder einführen

glmnet als Basismodell

Baseline-Modell fitten

Random Forest wieder einführen

Nachteil von Random Forest

Random Forest mit individuellem trainControl

Modelle vergleichen

Übereinstimmende Train/Test-Indizes

Ein resamples-Objekt erstellen

Mehr zu resamples

Erstelle ein Box-and-Whisker-Diagramm

Erstelle ein Streudiagramm

Modelle ensemblen

Zusammenfassung

Kapitel starten

Maschinelles Lernen mit caret in R

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Maschinelles Lernen mit caret in R heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.