Ir al contenido principal

Curso

Machine Learning con caret en R

IntermedioNivel de habilidad

Actualizado 11/2023

Este curso enseña los conceptos fundamentales del machine learning, como la creación y evaluación de modelos predictivos.

Comienza el curso gratis

RMachine Learning

4 h

24 vídeos

88 Ejercicios

6,200 XP

60,672

Certificado de logros

Preferido por estudiantes en miles de empresas

¿Formando un equipo?

Prueba para empresas

Descripción del curso

Machine learning es el estudio y la aplicación de algoritmos que aprenden de los datos y hacen predicciones. Desde los resultados de búsqueda hasta los coches autónomos, está presente en todas partes y es uno de los campos más apasionantes y de más rápido crecimiento en la ciencia de datos. Este curso te enseña las grandes ideas de machine learning: cómo construir y evaluar modelos predictivos, cómo ajustarlos para lograr el mejor rendimiento, cómo preprocesar datos para obtener mejores resultados y mucho más. A lo largo del curso utilizarás el popular paquete de R caret, que proporciona una interfaz coherente a las herramientas de machine learning más potentes de R.

Requisitos previos

Introduction to Regression in R

1

Modelos de regresión: ajuste y evaluación de su rendimiento

En el primer capítulo del curso, ajustarás modelos de regresión con train() y evaluarás su rendimiento fuera de muestra usando validación cruzada y el error cuadrático medio de la raíz (RMSE).

Bienvenido al curso

RMSE dentro de la muestra para regresión lineal

RMSE dentro de la muestra para regresión lineal en diamonds

Medidas de error fuera de muestra

RMSE fuera de muestra para la regresión lineal

Ordena aleatoriamente el data frame

Prueba una partición 80/20

Predecir sobre el conjunto de prueba

Calcula el RMSE del conjunto de prueba a mano

Comparar el RMSE fuera de muestra con el RMSE dentro de muestra

Validación cruzada

Ventaja de la validación cruzada

Validación cruzada de 10 pliegues

Validación cruzada de 5 pliegues

Validación cruzada 5 x 5-fold

Hacer predicciones sobre datos nuevos

Iniciar capítulo

2

Modelos de clasificación: ajuste y evaluación de su rendimiento

En este capítulo, ajustarás modelos de clasificación con train() y evaluarás su rendimiento fuera de muestra usando validación cruzada y el área bajo la curva (AUC).

Iniciar capítulo

3

Ajuste de hiperparámetros para mejorar el rendimiento

En este capítulo, usarás la función train() para ajustar los parámetros del modelo mediante validación cruzada y búsqueda en malla (grid search).

Random forests y vino

Random forests vs. modelos lineales

Ajusta un random forest

Explora un espacio de modelos más amplio

Ventaja de un `tuneLength` más largo

Prueba con una longitud de ajuste mayor

Cuadrículas de ajuste personalizadas

Ventajas de una cuadrícula de ajuste personalizada

Ajusta un random forest con una optimización personalizada

Introducción a glmnet

Ventaja de glmnet

Crea un trainControl personalizado

Ajusta glmnet con un trainControl personalizado

glmnet con cuadrícula de ajuste personalizada

¿Por qué una rejilla de ajuste personalizada?

glmnet con trainControl y ajuste personalizados

Interpretar gráficos de glmnet

Iniciar capítulo

4

Preprocesamiento de datos

En este capítulo, practicarás el uso de train() para preprocesar datos antes de ajustar modelos, mejorando así tu capacidad para hacer predicciones precisas.

Imputación por mediana

Imputación por mediana vs. omitir filas

Aplica imputación por la mediana

Imputación KNN

Comparar la imputación KNN con la imputación por mediana

Usa imputación KNN

Comparar imputación KNN y por mediana

Varios métodos de preprocesamiento

Orden de operaciones

Combinando métodos de preprocesamiento

Cómo gestionar predictores con poca información

¿Por qué eliminar predictores con varianza casi nula?

Eliminar predictores con varianza casi nula

preProcess() y nearZeroVar()

Ajusta un modelo en los datos reducidos de sangre-cerebro

Análisis de componentes principales (PCA)

Usar PCA como alternativa a nearZeroVar()

Iniciar capítulo

5

Selección de modelos: un caso práctico de churn

En el capítulo final del curso, aprenderás a usar resamples() para comparar varios modelos y seleccionar (o ensamblar) el o los mejores.

Reutilizar un trainControl

¿Por qué reutilizar un trainControl?

Crea índices de train/test personalizados

Reintroduciendo glmnet

glmnet como modelo base

Ajusta el modelo de referencia

Reintroducción a random forest

Inconveniente de random forest

Random forest con trainControl personalizado

Comparar modelos

Igualar los índices de train/test

Crea un objeto resamples

Más sobre resamples

Crea un diagrama de caja y bigotes

Crea un diagrama de dispersión

Ensamblado de modelos

Iniciar capítulo

Machine Learning con caret en R

Curso
completo

Obtener certificado de logros

Añade esta certificación a tu perfil de LinkedIn o a tu currículum.
Compártelo en redes sociales y en tu evaluación de desempeño.Inscríbete ahora

¡Únete a 19 millones de estudiantes y empieza Machine Learning con caret en R hoy mismo!

Desarrolla tus habilidades de datos con la aplicación móvil de DataCamp

Progresa desde cualquier dispositivo móvil con nuestros cursos y desafíos de programación diarios de 5 minutos.