Vai al contenuto principale

Corso

Machine Learning con caret in R

IntermedioLivello di competenza

Aggiornato 11/2023

Questo corso spiega le idee principali del machine learning, tipo come creare e valutare modelli predittivi.

Inizia il corso gratis

RMachine Learning

4 h

24 video

88 Esercizi

6,200 XP

60,673

Attestato di conseguimento

Preferito dagli studenti di migliaia di aziende

Formare un team?

Prova per il Business

Descrizione del corso

Il Machine Learning studia e applica algoritmi che apprendono dai dati e fanno previsioni. Dai risultati di ricerca alle auto a guida autonoma, è presente in ogni ambito della nostra vita ed è uno dei campi più entusiasmanti e in rapida crescita nel mondo della data science. In questo corso imparerai i concetti fondamentali del Machine Learning: come costruire e valutare modelli predittivi, come ottimizzarli per ottenere le migliori prestazioni, come preprocessare i dati per risultati più affidabili e molto altro. Useremo per tutto il corso il diffuso pacchetto R caret, che offre un'interfaccia coerente alle funzionalità di Machine Learning più potenti di R.

Prerequisiti

Introduction to Regression in R

1

Modelli di regressione: addestramento e valutazione delle prestazioni

Nel primo capitolo del corso, addestrerai modelli di regressione con train() e ne valuterai le prestazioni fuori campione usando la cross-validation e la root-mean-square error (RMSE).

Benvenuto nel corso

RMSE in-sample per la regressione lineare

RMSE in-sample per la regressione lineare su diamonds

Misure di errore out-of-sample

RMSE out-of-sample per la regressione lineare

Ordina casualmente il data frame

Prova una suddivisione 80/20

Predici sul test set

Calcola a mano l'RMSE sul test set

Confrontare l’RMSE out-of-sample con l’RMSE in-sample

Cross-validation

Vantaggi della cross-validation

Cross-validation a 10 fold

Cross-validation a 5 fold

Cross-validation 5 x 5 fold ripetuta

Fare previsioni su nuovi dati

Inizia il capitolo

2

Modelli di classificazione: addestramento e valutazione delle prestazioni

In questo capitolo, addestrerai modelli di classificazione con train() e ne valuterai le prestazioni fuori campione usando la cross-validation e l'area sotto la curva (AUC).

Inizia il capitolo

3

Ottimizzazione dei parametri del modello per migliorare le prestazioni

In questo capitolo, userai la funzione train() per regolare i parametri del modello tramite cross-validation e grid search.

Random forest e vino

Random forest vs. modelli lineari

Adatta una random forest

Esplora uno spazio di modelli più ampio

Vantaggio di un tune length più lungo

Prova una tune length più lunga

Griglie di ottimizzazione personalizzate

Vantaggi di una griglia di ottimizzazione personalizzata

Addestra una random forest con tuning personalizzato

Introduzione a glmnet

Vantaggio di glmnet

Crea un trainControl personalizzato

Adatta glmnet con un trainControl personalizzato

glmnet con griglia di tuning personalizzata

Perché una griglia di tuning personalizzata?

glmnet con trainControl e tuning personalizzati

Interpretare i grafici di glmnet

Inizia il capitolo

4

Preprocessamento dei dati

In questo capitolo, farai pratica con train() per preprocessare i dati prima di addestrare i modelli, migliorando la tua capacità di fare previsioni accurate.

Imputazione con la mediana

Imputazione con mediana vs. eliminazione delle righe

Applica l'imputazione con la mediana

Imputazione KNN

Confrontare l'imputazione KNN con l'imputazione tramite mediana

Usa l'imputazione KNN

Confronta imputazione KNN e mediana

Metodi di preprocessing multipli

Ordine delle operazioni

Combinare metodi di preprocessing

Gestire i predittori a bassa informazione

Perché rimuovere i predittori a varianza quasi zero?

Rimuovere i predittori con varianza quasi zero

preProcess() e nearZeroVar()

Adatta un modello sui dati blood-brain ridotti

Analisi delle componenti principali (PCA)

Usare la PCA come alternativa a nearZeroVar()

Inizia il capitolo

5

Selezione dei modelli: uno studio di caso sul churn

Nel capitolo finale del corso, imparerai a usare resamples() per confrontare più modelli e selezionare (o combinare in ensemble) i migliori.

Riutilizzare un trainControl

Perché riutilizzare un trainControl?

Crea indici train/test personalizzati

Reintrodurre glmnet

glmnet come modello di base

Allena il modello di base

Reintroduzione a random forest

Svantaggio del random forest

Random forest con trainControl personalizzato

Confrontare i modelli

Allineare gli indici di train/test

Crea un oggetto resamples

Ancora sui resamples

Crea un box-and-whisker plot

Crea uno scatterplot

Ensembling dei modelli

Inizia il capitolo

Machine Learning con caret in R

Corso
completato

Ottieni Attestato di conseguimento

Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CV
Condividila sui social e nella valutazione delle tue performanceIscriviti ora

Unisciti a oltre 19 milioni di studenti e inizia Machine Learning con caret in R oggi!

Aumenta le tue competenze sui dati con l'app di DataCamp

Avanza ovunque ti trovi con i nostri corsi per dispositivi mobili e le nostre sfide di programmazione quotidiane da 5 minuti.