メインコンテンツへスキップ

コース

R での tidymodels によるモデリング

中級スキルレベル

更新日 2022/07

tidymodelsで機械学習のワークフローを効率化する方法を学びましょう。

コースを無料で開始

RMachine Learning

4時間

16 ビデオ

59 演習

4,950 XP

10,782

修了証明書

何千もの企業の従業員が支持

チームのトレーニングを担当していますか？

Businessをお試しください

コース説明

tidymodels は、Machine Learning のワークフローを効率化するために設計された強力な R パッケージ群です。クロスバリデーションに向けたデータ分割、tidymodels の recipes パッケージによる前処理、Machine Learning アルゴリズムの微調整を学びます。モデルオブジェクトの定義やモデリングワークフローの作成といった重要な概念も理解します。最後に、住宅価格の予測や、従業員が離職するリスクの分類にスキルを適用します。

前提条件

Modeling with Data in the Tidyverse

1

Machine Learning with tidymodels

In this chapter, you’ll explore the rich ecosystem of R packages that power tidymodels and learn how they can streamline your machine learning workflows. You’ll then put your tidymodels skills to the test by predicting house sale prices in Seattle, Washington.

The tidymodels ecosystem

Tidymodels packages

Creating training and test datasets

Distribution of outcome variable values

Linear regression with tidymodels

Fitting a linear regression model

Exploring estimated model parameters

Predicting home selling prices

Evaluating model performance

Model performance metrics

R squared plot

Complete model fitting process with last_fit()

チャプターを開始

2

Classification Models

Learn how to predict categorical outcomes by training classification models. Using the skills you’ve gained so far, you’ll predict the likelihood of customers canceling their service with a telecommunications company.

Classification models

Data resampling

Fitting a logistic regression model

Combining test dataset results

Assessing model fit

Calculating metrics from the confusion matrix

Evaluating performance with yardstick

Creating custom metric sets

Visualizing model performance

Plotting the confusion matrix

ROC curves and area under the ROC curve

Automating the modeling workflow

Streamlining the modeling process

Collecting predictions and creating custom metrics

Complete modeling workflow

チャプターを開始

3

Feature Engineering

Find out how to bake feature engineering pipelines with the recipes package. You’ll prepare numeric and categorical data to help machine learning algorithms optimize your predictions.

Feature engineering

Exploring recipe objects

Creating recipe objects

Training a recipe object

Numeric predictors

Discovering correlated predictors

Removing correlated predictors with recipes

Multiple feature engineering steps

Nominal predictors

Applying step_dummy() to predictors

Ordering of step_*() functions

Complete feature engineering pipeline

Complete modeling workflow

Feature engineering process

Model training and prediction

Model performance metrics

チャプターを開始

4

Workflows and Hyperparameter Tuning

Now it’s time to streamline the modeling process using workflows and fine-tune models with cross-validation and hyperparameter tuning. You’ll learn how to tune a decision tree classification model to predict whether a bank's customers are likely to default on their loan.

Machine learning workflows

Exploring the loans dataset

Specifying a model and recipe

Creating workflows

Estimating performance with cross validation

Measuring performance with cross validation

Cross validation with logistic regression

Comparing model performance profiles

Hyperparameter tuning

Setting model hyperparameters

Random grid search

Exploring tuning results

Selecting the best model

Finalizing a workflow

Training a finalized workflow

Congratulations!

チャプターを開始

R での tidymodels によるモデリング

コース完了

修了証明書を取得

この修了書をLinkedInや履歴書、CVに追加しましょう
ソーシャルメディアや人事評価で共有しましょう今すぐ登録

19百万人を超える学習者と共にR での tidymodels によるモデリングを始めましょう！

DataCamp for Mobileでデータスキルを磨きましょう

モバイルコースと毎日の 5 分間のコーディングチャレンジで、外出先でも進歩できます。