Lewati ke konten utama

Kursus

Machine Learning dengan caret di R

MenengahTingkat Keterampilan

Diperbarui 11/2023

Kursus ini mengajarkan konsep-konsep utama dalam machine learning, seperti cara membangun dan mengevaluasi model prediktif.

Mulai Kursus Gratis

RMachine Learning

4 jam

24 videos

88 Latihan

6,200 XP

60,672

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Machine Learning adalah studi dan penerapan algoritme yang belajar dari data dan membuat prediksi. Dari hasil pencarian hingga mobil swakemudi, bidang ini hadir di berbagai aspek kehidupan dan merupakan salah satu ranah riset paling menarik dan berkembang pesat dalam ilmu data. Kursus ini membahas konsep utama dalam Machine Learning: cara membangun dan mengevaluasi model prediktif, menyetel model agar kinerjanya optimal, melakukan prapemrosesan data untuk hasil yang lebih baik, dan banyak lagi. Paket R populer bernama caret, yang menyediakan antarmuka konsisten ke beragam fasilitas Machine Learning paling kuat di R, digunakan sepanjang kursus.

Persyaratan

Introduction to Regression in R

1

Model Regresi: Memasang dan Mengevaluasi Kinerjanya

Pada bab pertama, Anda akan memasang model regresi dengan train() dan mengevaluasi kinerja out-of-sample menggunakan cross-validation dan root-mean-square error (RMSE).

Selamat datang di kursus ini

RMSE dalam sampel untuk regresi linear

RMSE in-sample untuk regresi linear pada diamonds

Ukuran galat out-of-sample

RMSE out-of-sample untuk regresi linear

Urutkan data frame secara acak

Coba pembagian 80/20

Prediksi pada himpunan uji

Hitung RMSE himpunan test secara manual

Membandingkan RMSE out-of-sample dengan RMSE in-sample

Cross-validation

Keunggulan cross-validation

Validasi silang 10-fold

Validasi silang 5-lipat

Cross-validation 5 x 5-fold

Membuat prediksi pada data baru

2

Model Klasifikasi: Memasang dan Mengevaluasi Kinerjanya

3

Menyetel Parameter Model untuk Meningkatkan Kinerja

Pada bab ini, Anda akan menggunakan fungsi train() untuk menyetel parameter model melalui cross-validation dan grid search.

Random forests dan wine

Random forest vs. model linear

Melatih random forest

Jelajahi ruang model yang lebih luas

Keunggulan panjang penyetelan yang lebih besar

Coba panjang penyetelan yang lebih besar

Kisi penyetelan kustom

Keunggulan custom tuning grid

Melatih random forest dengan pengaturan kustom

Pengenalan glmnet

Keunggulan glmnet

Buat trainControl kustom

Melatih glmnet dengan trainControl kustom

glmnet dengan grid penyetelan kustom

Mengapa menggunakan grid penyetelan kustom?

glmnet dengan trainControl dan penyetelan kustom

Menafsirkan plot glmnet

4

Prapemrosesan Data

Pada bab ini, Anda akan berlatih menggunakan train() untuk melakukan prapemrosesan data sebelum memasang model, sehingga meningkatkan kemampuan Anda membuat prediksi yang akurat.

Imputasi median

Imputasi median vs. menghilangkan baris

Terapkan imputasi median

Imputasi KNN

Membandingkan imputasi KNN dengan imputasi median

Gunakan imputasi KNN

Bandingkan imputasi KNN dan median

Beberapa metode prapemrosesan

Urutan operasi

Mengombinasikan metode prapemrosesan

Menangani prediktor berinformasi rendah

Mengapa menghapus prediktor dengan varians nyaris nol?

Hapus prediktor dengan varians nyaris nol

preProcess() dan nearZeroVar()

Melatih model pada data blood-brain yang telah direduksi

Analisis komponen utama (PCA)

Menggunakan PCA sebagai alternatif nearZeroVar()

5

Memilih Model: Studi Kasus Prediksi Churn

Pada bab terakhir, Anda akan mempelajari cara menggunakan resamples() untuk membandingkan beberapa model dan memilih (atau mengansambel) model terbaik.

Menggunakan kembali trainControl

Mengapa menggunakan kembali trainControl?

Buat indeks latih/uji khusus

Memperkenalkan kembali glmnet

glmnet sebagai model basis

Latih model baseline

Memperkenalkan kembali random forest

Kekurangan random forest

Random forest dengan trainControl kustom

Membandingkan model

Menyamakan indeks train/test

Buat objek resamples

Lebih lanjut tentang resamples

Buat plot box-and-whisker

Buat sebuah scatterplot

Membuat ensemble model

Machine Learning dengan caret 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 Machine Learning dengan caret 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.