Vai al contenuto principale

Corso

Modellazione con tidymodels in R

IntermedioLivello di competenza

Aggiornato 07/2022

Impara a semplificare i tuoi flussi di lavoro di machine learning con tidymodels.

Inizia il corso gratis

RMachine Learning

4 h

16 video

59 Esercizi

4,950 XP

10,786

Attestato di conseguimento

Preferito dagli studenti di migliaia di aziende

Formare un team?

Prova per il Business

Descrizione del corso

Tidymodels è una potente suite di pacchetti R pensata per semplificare i flussi di lavoro di Machine Learning. Impara a suddividere gli insiemi di dati per la cross-validation, a preelaborare i dati con il pacchetto recipes di tidymodels e a ottimizzare gli algoritmi di Machine Learning. Scoprirai concetti chiave come definire gli oggetti modello e creare workflow di modellazione. Poi metterai in pratica le tue competenze per prevedere i prezzi delle case e classificare i dipendenti in base al rischio di lasciare l’azienda.

Prerequisiti

Modeling with Data in the Tidyverse

1

Machine Learning con tidymodels

In questo capitolo esplorerai il ricco ecosistema di pacchetti R che alimentano tidymodels e scoprirai come possono semplificare i tuoi flussi di lavoro di Machine Learning. Metterai poi alla prova le tue abilità con tidymodels prevedendo i prezzi di vendita delle case a Seattle, nello stato di Washington.

L'ecosistema di tidymodels

Pacchetti tidymodels

Creare insiemi di dati di training e di test

Distribuzione dei valori della variabile di outcome

Regressione lineare con tidymodels

Adattare un modello di regressione lineare

Esplorare i parametri stimati del modello

Prevedere i prezzi di vendita delle case

Valutare le prestazioni del modello

Metriche di performance del modello

Grafico R squared

Processo completo di adattamento del modello con last_fit()

Inizia il capitolo

2

Modelli di classificazione

Impara a prevedere esiti categoriali addestrando modelli di classificazione. Con le competenze acquisite finora, prevedrai la probabilità che i clienti annullino il loro servizio presso un’azienda di telecomunicazioni.

Modelli di classificazione

Campionamento dei dati

Adattare un modello di regressione logistica

Combinare i risultati del dataset di test

Valutare l’adattamento del modello

Calcolare le metriche dalla confusion matrix

Valutare le prestazioni con yardstick

Creare set di metriche personalizzati

Visualizzare le prestazioni del modello

Rappresentare la matrice di confusione

Curve ROC e area sotto la curva ROC

Automatizzare il workflow di modellazione

Snellire il processo di modellazione

Raccogliere le previsioni e creare metriche personalizzate

Flusso di lavoro di modellazione completo

Inizia il capitolo

3

Feature engineering

Scopri come creare pipeline di feature engineering con il pacchetto recipes. Preparerai dati numerici e categorici per aiutare gli algoritmi di Machine Learning a ottimizzare le tue previsioni.

Feature engineering

Esplorare gli oggetti recipe

Creare oggetti recipe

Addestrare un oggetto recipe

Predittori numerici

Scoprire i predittori correlati

Rimozione di predittori correlati con recipes

Più passaggi di feature engineering

Predittori nominali

Applicare step_dummy() ai predittori

Ordine delle funzioni step_*()

Pipeline completa di feature engineering

Workflow di modellazione completo

Processo di feature engineering

Addestramento del modello e predizione

Metriche di performance del modello

Inizia il capitolo

4

Workflow e ottimizzazione degli iperparametri

È il momento di rendere più efficiente il processo di modellazione usando i workflow e di perfezionare i modelli con la cross-validation e l’ottimizzazione degli iperparametri. Imparerai a mettere a punto un modello di classificazione ad albero decisionale per prevedere se i clienti di una banca rischiano di andare in default sul loro prestito.

Workflow di Machine Learning

Esplorare l'insieme di dati dei prestiti

Specificare un modello e una recipe

Creare workflow

Stima delle prestazioni con la cross-validation

Misurare le prestazioni con la cross validation

Cross validation con la regressione logistica

Confrontare i profili di prestazioni dei modelli

Ottimizzazione degli iperparametri

Impostare gli iperparametri del modello

Grid search casuale

Esplorare i risultati del tuning

Selezionare il modello migliore

Finalizzare un workflow

Addestrare un workflow finalizzato

Congratulazioni!

Inizia il capitolo

Modellazione con tidymodels 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 Modellazione con tidymodels 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.