Accéder au contenu principal

Cours

Machine Learning avec caret en R

IntermédiaireNiveau de compétence

Actualisé 11/2023

Ce cours présente les concepts fondamentaux de l'apprentissage automatique, notamment comment créer et évaluer des modèles prédictifs.

Commencer le cours gratuitement

RMachine Learning

4 h

24 vidéos

88 Exercices

6,200 XP

60,672

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

Description du cours

Le Machine Learning étudie et applique des algorithmes qui apprennent à partir des données et effectuent des prédictions. Des résultats de recherche aux voitures autonomes, il est présent dans tous les aspects de notre vie et constitue l’un des domaines les plus passionnants et à la croissance la plus rapide en science des données. Ce cours présente les grandes idées du Machine Learning : comment construire et évaluer des modèles prédictifs, comment les optimiser pour de meilleures performances, comment prétraiter les données pour des résultats plus fiables, et bien plus encore. Le package R populaire caret, qui fournit une interface homogène vers les fonctionnalités de Machine Learning les plus puissantes de R, est utilisé tout au long du cours.

Prérequis

Introduction to Regression in R

1

Modèles de régression : entraînement et évaluation des performances

Dans ce premier chapitre, vous allez entraîner des modèles de régression avec train() et évaluer leurs performances hors échantillon à l’aide de la validation croisée et de la racine de l’erreur quadratique moyenne (RMSE).

Bienvenue dans le cours

RMSE en échantillon pour la régression linéaire

RMSE en échantillon pour une régression linéaire sur diamonds

Mesures d’erreur hors échantillon

RMSE hors échantillon pour la régression linéaire

Ordonner aléatoirement le data frame

Essayez une répartition 80/20

Prédire sur le jeu de test

Calculer manuellement la RMSE sur le jeu de test

Comparer la RMSE hors échantillon à la RMSE sur l’échantillon d’entraînement

Validation croisée

Avantage de la validation croisée

Validation croisée en 10 plis

Validation croisée en 5 volets

Validation croisée 5 x 5 plis

Faire des prédictions sur de nouvelles données

Commencer le chapitre

2

Modèles de classification : entraînement et évaluation des performances

Dans ce chapitre, vous entraînerez des modèles de classification avec train() et évaluerez leurs performances hors échantillon à l’aide de la validation croisée et de l’aire sous la courbe (AUC).

Commencer le chapitre

3

Ajustement des hyperparamètres pour améliorer les performances

Dans ce chapitre, vous utiliserez la fonction train() pour ajuster les hyperparamètres des modèles via validation croisée et recherche sur grille.

Forêts aléatoires et vin

Forêts aléatoires vs modèles linéaires

Ajuster une random forest

Explorez un espace de modèles plus vaste

Avantage d’une longueur d’ajustement plus grande

Essayez une longueur d’ajustement plus grande

Grilles de réglage personnalisées

Avantages d’une grille d’ajustement personnalisée

Ajuster une forêt aléatoire avec un réglage personnalisé

Introduction à glmnet

Avantage de glmnet

Créer un trainControl personnalisé

Ajuster glmnet avec un trainControl personnalisé

glmnet avec une grille de réglage personnalisée

Pourquoi une grille de réglage personnalisée ?

glmnet avec trainControl personnalisé et réglage

Interpréter les graphiques glmnet

Commencer le chapitre

4

Prétraitement des données

Dans ce chapitre, vous vous entraînerez à utiliser train() pour prétraiter les données avant d’entraîner les modèles, afin d’améliorer la précision des prédictions.

Imputation par la médiane

Imputation par la médiane vs. suppression de lignes

Appliquer l'imputation par la médiane

Imputation par KNN

Comparer l’imputation KNN à l’imputation par la médiane

Utiliser l’imputation KNN

Comparer l’imputation KNN et l’imputation par la médiane

Plusieurs méthodes de prétraitement

Ordre des opérations

Combiner des méthodes de prétraitement

Gérer les prédicteurs à faible valeur d’information

Pourquoi supprimer les prédicteurs à variance quasi nulle ?

Supprimer les prédicteurs à variance quasi nulle

preProcess() et nearZeroVar()

Ajuster un modèle sur les données blood-brain réduites

Analyse en composantes principales (PCA)

Utiliser la PCA comme alternative à nearZeroVar()

Commencer le chapitre

5

Sélection de modèles : étude de cas sur la prédiction d’attrition

Dans le dernier chapitre, vous apprendrez à utiliser resamples() pour comparer plusieurs modèles et sélectionner (ou agréger) le ou les meilleurs.

Réutiliser un trainControl

Pourquoi réutiliser un trainControl ?

Créer des indices train/test personnalisés

Réintroduction de glmnet

glmnet comme modèle de référence

Ajuster le modèle de référence

Réintroduction de random forest

Inconvénient des forêts aléatoires

Random forest avec trainControl personnalisé

Comparer des modèles

Faire correspondre les indices train/test

Créer un objet resamples

Aller plus loin avec resamples

Créer un diagramme en boîtes à moustaches

Créer un nuage de points

Assembler des modèles

Commencer le chapitre

Machine Learning avec caret en R

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez Machine Learning avec caret en R dès aujourd'hui !

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.