본문으로 바로가기

강의

R에서의 차원 축소

기초기술 수준

업데이트됨 2024. 12.

R에서 차원 축소 기법을 배우고, 데이터와 모델에 맞는 특징 선택·추출을 마스터하세요.

무료로 강의 시작

RMachine Learning

4시간

16 동영상

56 연습 문제

4,600 XP

2,744

성취 증명서

수천 개 기업의 학습자들이 사랑하는

팀을 교육하시나요?

비즈니스용으로 체험해 보세요

강의 설명

특성 수가 너무 많은 데이터세트를 다루고 계신가요? 그 모든 특성이 필요하신가요? 어떤 것들이 가장 중요한가요? 이 강의에서는 데이터와 데이터로 구축하는 모델을 단순화하면서도 원본 데이터의 정보와 우수한 예측 성능을 유지하는 데 도움이 되는 차원 축소 기법을 배우게 됩니다.

왜 차원 축소를 배워야 할까요?

우리는 정보 과잉의 시대, 정보화 시대에 살고 있습니다. 데이터에서 핵심 정보를 추출하는 기술은 시장성 있는 역량입니다. 축소된 데이터로 모델은 더 빠르게 학습합니다. 프로덕션 환경에서는 더 작은 모델이 더 빠른 응답 시간을 의미합니다. 무엇보다도, 더 작은 데이터와 모델은 종종 이해하기 더 쉽습니다. 차원 축소는 데이터 과학에서 당신의 오컴의 면도날입니다.

이 강의에서 무엇을 배우게 되나요?

특성 선택과 특성 추출의 차이! R을 사용하여 정보가 적거나 중복된 특성을 식별하고 제거하는 방법을 배우며, 가장 많은 정보를 담은 특성은 유지하게 됩니다. 그것이 특성 선택입니다. 또한 최대한의 정보를 담은 응축된 구성 요소로 특성의 조합을 추출하는 방법도 배우게 됩니다. 그것이 특성 추출입니다!

하지만 무엇보다도, R의 새로운 tidymodel 패키지를 사용하여 실제 데이터를 활용해 특성을 줄이면서도 성능 저하를 크게 겪지 않는 모델을 구축하게 됩니다.

선수 조건

Modeling with tidymodels in R

1

Foundations of Dimensionality Reduction

Prepare to simplify large data sets! You will learn about information, how to assess feature importance, and practice identifying low-information features. By the end of the chapter, you will understand the difference between feature selection and feature extraction—the two approaches to dimensionality reduction.

Introduction to dimensionality reduction

Dimensionality and feature information

Mutual information features

Information and feature importance

Calculating root entropy

Calculating child entropies

Calculating information gain of color

The Importance of Dimensionality Reduction in Data and Model Building

Calculate possible combinations

Curse of dimensionality, overfitting, and bias

2

Feature Selection for Feature Importance

Learn how to identify information-rich and information-poor features missing value ratios, variance, and correlation. Then you'll discover how to build tidymodel recipes to select features using these information indicators.

Feature selection vs. feature extraction

Create a zero-variance filter

Create a missing values filter

Feature selection with the combined filter

Selecting based on missing values

Create a missing value ratio filter

Apply a missing value ratio filter

Create a missing values recipe

Selecting based on variance

Create a low-variance filter

Create a low-variance recipe

Selecting based on correlation with other features

Identify highly correlated features

Select correlated feature to remove

Create a high-correlation recipe

3

Feature Selection for Model Performance

Chapter three introduces the difference between unsupervised and supervised feature selection approaches. You'll review how to use tidymodels workflows to build models. Then, you'll perform supervised feature selection using lasso regression and random forest models.

Supervised feature selection

Supervised vs. unsupervised feature selection

Decision tree feature selection type

Model Building and Evaluation with tidymodels

Split out the train and test sets

Create a recipe-model workflow

Fit, explore, and evaluate the model

Lasso Regression

Scale the data for lasso regression

Explore lasso regression penalty values

Tune the penalty hyperparameter

Fit the best model

Random forest models

Create full random forest model

Reduce data using feature importances

Create reduced random forest

4

Feature Extraction and Model Performance

In this final chapter, you'll gain a strong intuition of feature extraction by understanding how principal components extract and combine the most important information from different features. Then learn about and apply three types of feature extraction — principal component analysis (PCA), t-SNE, and UMAP. Discover how you can use these feature extraction methods as a preprocessing step in the tidymodels model-building process.

Foundations of feature extraction - principal components

Understanding principal components

Naming principal components

Principal Component Analysis (PCA)

PCA: variance explained

Mapping features to principal components

PCA in tidymodels

t-Distributed Stochastic Neighborhood Embedding (t-SNE)

Separating house prices with PCA

Separating house prices with t-SNE

Uniform Manifold Approximation and Projection (UMAP)

Separating house prices with UMAP

UMAP reduction in a decision tree model

Evaluate the UMAP decision tree model

R에서의 차원 축소

강의
완료

수료증 획득

LinkedIn 프로필, 이력서 또는 CV에 이 인증서를 추가하세요
소셜 미디어와 성과 평가에서 공유하세요지금 등록

19백만 명 이상의 학습자와 함께 R에서의 차원 축소을(를) 시작하세요!

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

모바일 강좌와 매일 5분 코딩 챌린지를 통해 이동 중에도 학습 효과를 높이세요.