Machine Learning con modelli ad albero in R

Prontə per un po’ di dolcezza? Usa un insieme di dati con valutazioni di cioccolato per costruire alberi di regressione e valutarne le prestazioni con adeguate misure d’errore. Supererai le incertezze statistiche dei singoli split train/test applicando tecniche “golose” come la cross-validation, per poi andare ancora più a fondo padroneggiando il compromesso bias-varianza.

È il momento di fare sul serio con la messa a punto degli iperparametri e l’interpretazione delle curve ROC (receiver operating characteristic). In questo capitolo sfrutterai la saggezza della folla con modelli ensemble come bagging e random forest e costruirai ensemble che prevedono quali clienti con carta di credito hanno maggiore probabilità di abbandonare.

Prontə per l’alta società dei modelli ad albero? Applica il gradient boosting per creare potenti ensemble che superano tutto ciò che hai visto o costruito finora. Scopri come affinarli e confrontare modelli diversi per scegliere il vincitore da portare in produzione.