Lewati ke konten utama

Kursus

Reduksi Dimensi di R

DasarTingkat Keterampilan

Diperbarui 12/2024

Pelajari teknik pengurangan dimensi dalam R dan kuasai pemilihan dan ekstraksi fitur untuk data dan model Anda sendiri.

Mulai Kursus Gratis

RMachine Learning

4 jam

16 videos

56 Latihan

4,600 XP

2,745

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Apakah Anda pernah bekerja dengan dataset yang memiliki jumlah fitur yang sangat banyak? Apakah Anda membutuhkan semua fitur tersebut? Manakah yang paling penting? Dalam kursus ini, Anda akan mempelajari teknik pengurangan dimensi yang akan membantu Anda menyederhanakan data dan model yang Anda bangun menggunakan data tersebut, sambil tetap mempertahankan informasi dalam data asli dan kinerja prediksi yang baik.

Mengapa mempelajari pengurangan dimensi?

Kita hidup di era informasi—era di mana informasi berlimpah. Kemampuan untuk mengekstrak informasi penting dari data merupakan keterampilan yang bernilai di pasar. Model-model melatih lebih cepat pada data yang dikurangi. Dalam produksi, model yang lebih kecil berarti waktu respons yang lebih cepat. Mungkin yang paling penting, data dan model yang lebih kecil seringkali lebih mudah dipahami. Pengurangan dimensi adalah pisau Occam Anda dalam ilmu data.

Apa yang akan Anda pelajari dalam kursus ini?

Perbedaan antara seleksi fitur dan ekstraksi fitur! Dengan menggunakan R, Anda akan belajar cara mengidentifikasi dan menghapus fitur yang memiliki informasi rendah atau berlebihan, sambil mempertahankan fitur yang memiliki informasi paling banyak. Itulah seleksi fitur. Anda juga akan belajar cara mengekstrak kombinasi fitur sebagai komponen terkompresi yang mengandung informasi maksimal. Itulah ekstraksi fitur!

Namun yang paling penting, dengan menggunakan paket tidymodel baru dari R, Anda akan menggunakan data dunia nyata untuk membangun model dengan fitur yang lebih sedikit tanpa mengorbankan kinerja yang signifikan.

Persyaratan

Modeling with tidymodels in R

1

Dasar-dasar Reduksi Dimensi

Bersiaplah untuk menyederhanakan himpunan data berukuran besar! Anda akan mempelajari konsep informasi, cara menilai kepentingan fitur, dan berlatih mengidentifikasi fitur dengan informasi rendah. Di akhir bab, Anda akan memahami perbedaan antara seleksi fitur dan ekstraksi fitur—dua pendekatan untuk reduksi dimensi.

Pengantar pengurangan dimensi

Dimensionalitas dan informasi fitur

Fitur mutual information

Informasi dan kepentingan fitur

Menghitung entropi akar

Menghitung entropi anak

Menghitung information gain dari warna

Pentingnya Reduksi Dimensi dalam Pembangunan Data dan Model

Hitung kemungkinan kombinasi

Curse of dimensionality, overfitting, dan bias

2

Seleksi Fitur untuk Kepentingan Fitur

Pelajari cara mengidentifikasi fitur yang kaya informasi dan miskin informasi melalui rasio nilai hilang, varians, dan korelasi. Kemudian Anda akan mempelajari cara membuat resep tidymodel untuk memilih fitur menggunakan indikator informasi ini.

Seleksi fitur vs. ekstraksi fitur

Buat penyaring varians nol

Buat filter nilai hilang

Pemilihan fitur dengan filter gabungan

Seleksi berdasarkan nilai hilang

Buat filter rasio nilai hilang

Menerapkan filter rasio nilai hilang

Buat recipe nilai hilang

Seleksi berdasarkan varians

Buat penyaring varians rendah

Buat recipe varians rendah

Pemilihan berdasarkan korelasi dengan fitur lain

Identifikasi fitur yang sangat berkorelasi

Pilih fitur berkorelasi untuk dihapus

Buat resep korelasi tinggi

3

Seleksi Fitur untuk Kinerja Model

Bab tiga memperkenalkan perbedaan antara pendekatan seleksi fitur tanpa supervisi dan tersupervisi. Anda akan meninjau cara menggunakan alur kerja tidymodels untuk membangun model. Lalu, Anda akan melakukan seleksi fitur tersupervisi menggunakan regresi lasso dan model random forest.

Seleksi fitur terawasi

Seleksi fitur terawasi vs. tak terawasi

Jenis seleksi fitur pohon keputusan

Pembangunan dan Evaluasi Model dengan tidymodels

Pisahkan himpunan train dan test

Buat workflow recipe–model

Fit, eksplorasi, dan evaluasi model

Regresi Lasso

Skalakan data untuk regresi lasso

Jelajahi nilai penalti regresi lasso

Tuning hiperparameter penalty

Fitting model terbaik

Model random forest

Buat model random forest lengkap

Reduksi data menggunakan importance fitur

Buat random forest tereduksi

4

Ekstraksi Fitur dan Kinerja Model

Di bab terakhir ini, Anda akan memperoleh intuisi yang kuat tentang ekstraksi fitur dengan memahami bagaimana komponen utama mengekstrak dan menggabungkan informasi terpenting dari berbagai fitur. Selanjutnya, pelajari dan terapkan tiga jenis ekstraksi fitur — principal component analysis (PCA), t-SNE, dan UMAP. Temukan bagaimana Anda dapat menggunakan metode ekstraksi fitur ini sebagai langkah prapemrosesan dalam proses pembangunan model dengan tidymodels.

Dasar-dasar ekstraksi fitur - komponen utama

Memahami komponen utama

Menamai komponen utama

Principal Component Analysis (PCA)

PCA: ragam yang dijelaskan

Memetakan fitur ke komponen utama

PCA dalam tidymodels

t-Distributed Stochastic Neighborhood Embedding (t-SNE)

Memisahkan harga rumah dengan PCA

Memisahkan harga rumah dengan t-SNE

Uniform Manifold Approximation and Projection (UMAP)

Memisahkan harga rumah dengan UMAP

Reduksi UMAP dalam model decision tree

Evaluasi model decision tree dengan UMAP

Reduksi Dimensi di R

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Reduksi Dimensi di R Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.