Ir al contenido principal

Curso

Modelado con tidymodels en R

IntermedioNivel de habilidad

Actualizado 7/2022

Aprende a optimizar tus flujos de trabajo de machine learning con tidymodels.

Comienza el curso gratis

RMachine Learning

4 h

16 vídeos

59 Ejercicios

4,950 XP

10,788

Certificado de logros

Preferido por estudiantes en miles de empresas

¿Formando un equipo?

Prueba para empresas

Descripción del curso

Tidymodels es un potente conjunto de paquetes de R diseñado para simplificar los flujos de trabajo de Machine Learning. Aprende a dividir conjuntos de datos para la validación cruzada, a preprocesar datos con el paquete recipes de tidymodels y a ajustar modelos de Machine Learning. Verás conceptos clave como definir objetos de modelo y crear flujos de trabajo de modelado. Después, pondrás en práctica tus habilidades para predecir precios de viviendas y clasificar a empleados según su riesgo de dejar una empresa.

Requisitos previos

Modeling with Data in the Tidyverse

1

Machine Learning con tidymodels

En este capítulo, explorarás el rico ecosistema de paquetes de R que dan soporte a tidymodels y aprenderás cómo pueden agilizar tus flujos de trabajo de Machine Learning. Después pondrás a prueba tus habilidades con tidymodels prediciendo precios de venta de viviendas en Seattle, Washington.

El ecosistema de tidymodels

Paquetes de tidymodels

Creación de conjuntos de entrenamiento y prueba

Distribución de los valores de la variable objetivo

Regresión lineal con tidymodels

Ajustar un modelo de regresión lineal

Explorar los parámetros estimados del modelo

Predecir los precios de venta de viviendas

Evaluar el rendimiento del modelo

Métricas de rendimiento del modelo

Gráfico de R cuadrado

Proceso completo de ajuste del modelo con last_fit()

Iniciar capítulo

2

Modelos de clasificación

Aprende a predecir resultados categóricos entrenando modelos de clasificación. Con las habilidades que has adquirido hasta ahora, predecirás la probabilidad de que los clientes cancelen su servicio en una compañía de telecomunicaciones.

Modelos de clasificación

Remuestreo de datos

Ajustar un modelo de regresión logística

Combinar los resultados del conjunto de prueba

Evaluar el ajuste del modelo

Calcular métricas a partir de la matriz de confusión

Evaluating performance with yardstick

Creación de conjuntos de métricas personalizados

Visualizar el rendimiento del modelo

Representación de la matriz de confusión

Curvas ROC y área bajo la curva ROC

Automatizar el flujo de trabajo de modelado

Agilizar el proceso de modelado

Recopilar predicciones y crear métricas personalizadas

Flujo de modelado completo

Iniciar capítulo

3

Ingeniería de características

Descubre cómo crear canalizaciones de ingeniería de características con el paquete recipes. Prepararás datos numéricos y categóricos para ayudar a los algoritmos de Machine Learning a optimizar tus predicciones.

Ingeniería de características

Explorar objetos recipe

Creación de objetos recipe

Entrenar un objeto recipe

Predictores numéricos

Descubrir predictores correlacionados

Eliminar predictores correlacionados con recipes

Varios pasos de ingeniería de atributos

Predictores nominales

Aplicar step_dummy() a los predictores

Orden de las funciones step_*()

Canalización completa de feature engineering

Flujo de trabajo de modelado completo

Proceso de feature engineering

Entrenamiento del modelo y predicción

Métricas de rendimiento del modelo

Iniciar capítulo

4

Flujos de trabajo y ajuste de hiperparámetros

Ahora toca optimizar el proceso de modelado usando flujos de trabajo y afinar modelos con validación cruzada y ajuste de hiperparámetros. Aprenderás a ajustar un modelo de clasificación con árbol de decisión para predecir si es probable que los clientes de un banco incumplan su préstamo.

Flujos de trabajo de Machine Learning

Explorando el conjunto de datos de préstamos

Especificar un modelo y una receta

Creación de workflows

Estimación del rendimiento con validación cruzada

Medir el rendimiento con validación cruzada

Validación cruzada con regresión logística

Comparar perfiles de rendimiento de modelos

Ajuste de hiperparámetros

Configurar los hiperparámetros del modelo

Búsqueda aleatoria en rejilla

Explorando los resultados del ajuste

Seleccionar el mejor modelo

Finalizar un workflow

Entrenar un flujo de trabajo finalizado

¡Enhorabuena!

Iniciar capítulo

Modelado con tidymodels 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 Modelado con tidymodels 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.