Lewati ke konten utama

Kursus

Machine Learning dengan Model Berbasis Pohon di R

DasarTingkat Keterampilan

Diperbarui 08/2023

Pelajari cara menggunakan model berbasis pohon dan ensambel untuk melakukan prediksi klasifikasi dan regresi dengan tidymodels.

Mulai Kursus Gratis

RMachine Learning

4 jam

16 videos

58 Latihan

4,850 XP

10,646

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Model Machine Learning berbasis pohon dapat mengungkap hubungan nonlinier yang kompleks dalam data dan sering mendominasi kompetisi Machine Learning. Dalam kursus ini, Anda akan menggunakan paket tidymodels untuk mengeksplorasi dan membangun berbagai model berbasis pohon—dari pohon keputusan sederhana hingga random forest yang kompleks. Anda juga akan mempelajari boosted trees, teknik Machine Learning yang kuat yang menggunakan ensemble learning untuk membangun model prediktif berkinerja tinggi. Sepanjang perjalanan, Anda akan bekerja dengan data kesehatan dan risiko kredit untuk memprediksi insiden diabetes dan churn pelanggan.

Persyaratan

Modeling with tidymodels in R

1

Pohon Klasifikasi

Siap membangun pipeline Machine Learning yang nyata? Selesaikan latihan langkah demi langkah untuk mempelajari cara membuat pohon keputusan, membagi data Anda, dan memprediksi pasien mana yang paling berisiko mengidap diabetes. Terakhir namun tidak kalah penting, Anda akan membangun ukuran kinerja untuk menilai model Anda dan mengevaluasi prediksi Anda.

Selamat datang di kursus ini!

Mengapa metode berbasis pohon?

Tentukan spesifikasi pohon tersebut

Latih model tersebut

Cara menumbuhkan pohon Anda

Pemecahan train/test

Menghindari ketidakseimbangan kelas

Dari nol jadi andal

Prediksi dan evaluasi

Buat prediksi

Uraikan matriks

Apakah Anda memprediksi dengan benar?

2

Pohon Regresi dan Validasi Silang

Siap untuk yang manis-manis? Gunakan himpunan data penilaian cokelat untuk membangun pohon regresi dan menilai kinerjanya menggunakan ukuran galat yang sesuai. Anda akan mengatasi ketidakpastian statistik dari satu kali pembagian latih/uji dengan menerapkan teknik manis seperti validasi silang dan kemudian menyelami lebih dalam dengan menguasai trade-off bias-varian.

Keluaran kontinu

Latih pohon regresi

Memprediksi nilai baru

Periksa keluaran model

Metrik kinerja untuk pohon regresi

Kinerja in-sample

Kinerja out-of-sample

Kesalahan lebih besar, penalti lebih besar

Cross-validation

Buat lipatan

Latih tiap lipatan

Evaluasi lipatan

Pertukaran bias-varian

Sebutkan sesuai istilahnya

Sesuaikan kompleksitas model

Kinerja in-sample dan out-of-sample

3

Hyperparameter dan Model Ensemble

Saatnya serius menyetel hyperparameter dan menafsirkan kurva receiver operating characteristic (ROC). Pada bab ini, Anda akan memanfaatkan kebijaksanaan kolektif melalui model ensemble seperti bagging atau random forest dan membangun ensemble yang memprediksi pelanggan kartu kredit mana yang paling mungkin melakukan churn.

Menyetel hyperparameter

Hasilkan tuning grid

Penyetelan sepanjang grid

Pilih pemenang

Ukuran model lainnya

Hitung specificity

Gambar kurva ROC

Luas di bawah kurva ROC

Pohon hasil bagging

Membuat bagged trees

ROC dan AUC dalam-sampel

Periksa overfitting

Random forest

Bagged trees vs. random forest

Kepentingan variabel

4

Boosted Trees

Siap memasuki kalangan atas model berbasis pohon? Terapkan gradient boosting untuk membuat ensemble yang kuat yang kinerjanya melampaui apa pun yang pernah Anda lihat atau bangun. Pelajari cara penyetelan halusnya dan bagaimana membandingkan berbagai model untuk memilih pemenang untuk produksi.

Pengantar boosting

Bagging vs. boosting

Menentukan ensemble boosted

Gradient boosting

Latih sebuah boosted ensemble

Evaluasi ansambel

Bandingkan dengan satu pengklasifikasi

Optimalkan ansambel boosting

Persiapan penyetelan

Penyetelan yang sebenarnya

Finalisasi model

Perbandingan model

Bandingkan AUC

Plot kurva ROC

Machine Learning dengan Model Berbasis Pohon 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 Model Berbasis Pohon 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.