본문으로 바로가기

강의

R의 caret로 배우는 Machine Learning

중급기술 수준

업데이트됨 2023. 11.

이 과정은 예측 모델을 구축하고 평가하는 방법과 같은 머신 러닝의 핵심 개념을 가르칩니다.

무료로 강의 시작

RMachine Learning4시간24 동영상88 연습 문제6,200 XP60,508성취 증명서

무료 계정을 만드세요

또는

계속 진행하시면 당사의 이용약관, 개인정보처리방침 및 귀하의 데이터가 미국에 저장되는 것에 동의하시는 것입니다.

수천 개 기업의 학습자들이 사랑하는

2명 이상을 교육하시나요?

DataCamp for Business 체험

강의 설명

Machine Learning은 데이터로부터 학습하고 예측하는 알고리즘을 연구하고 적용하는 분야입니다. 검색 결과부터 자율주행차까지, 우리의 삶 곳곳에 활용되고 있으며 데이터 사이언스에서 가장 흥미롭고 빠르게 성장하는 분야 중 하나입니다. 이 강의에서는 Machine Learning의 핵심 개념을 다룹니다. 예측 모델을 구축하고 성능을 평가하는 방법, 최적의 성능을 위해 튜닝하는 방법, 더 나은 결과를 위한 데이터 전처리 방법 등을 배웁니다. 강의 전반에 걸쳐 R의 인기 패키지인 caret을 사용하여, R의 강력한 Machine Learning 도구들을 일관된 인터페이스로 활용하는 법을 익힙니다.

선수 조건

Introduction to Regression in R

1

Regression Models: Fitting and Evaluating Their Performance

In the first chapter of this course, you'll fit regression models with train() and evaluate their out-of-sample performance using cross-validation and root-mean-square error (RMSE).

Welcome to the course

In-sample RMSE for linear regression

In-sample RMSE for linear regression on diamonds

Out-of-sample error measures

Out-of-sample RMSE for linear regression

Randomly order the data frame

Try an 80/20 split

Predict on test set

Calculate test set RMSE by hand

Comparing out-of-sample RMSE to in-sample RMSE

Cross-validation

Advantage of cross-validation

10-fold cross-validation

5-fold cross-validation

5 x 5-fold cross-validation

Making predictions on new data

2

Classification Models: Fitting and Evaluating Their Performance

In this chapter, you'll fit classification models with train() and evaluate their out-of-sample performance using cross-validation and area under the curve (AUC).

3

Tuning Model Parameters to Improve Performance

In this chapter, you will use the train() function to tweak model parameters through cross-validation and grid search.

Random forests and wine

Random forests vs. linear models

Fit a random forest

Explore a wider model space

Advantage of a longer tune length

Try a longer tune length

Custom tuning grids

Advantages of a custom tuning grid

Fit a random forest with custom tuning

Introducing glmnet

Advantage of glmnet

Make a custom trainControl

Fit glmnet with custom trainControl

glmnet with custom tuning grid

Why a custom tuning grid?

glmnet with custom trainControl and tuning

Interpreting glmnet plots

4

Preprocessing Data

In this chapter, you will practice using train() to preprocess data before fitting models, improving your ability to making accurate predictions.

Median imputation

Median imputation vs. omitting rows

Apply median imputation

KNN imputation

Comparing KNN imputation to median imputation

Use KNN imputation

Compare KNN and median imputation

Multiple preprocessing methods

Order of operations

Combining preprocessing methods

Handling low-information predictors

Why remove near zero variance predictors?

Remove near zero variance predictors

preProcess() and nearZeroVar()

Fit model on reduced blood-brain data

Principle components analysis (PCA)

Using PCA as an alternative to nearZeroVar()

5

Selecting Models: A Case Study in Churn Prediction

In the final chapter of this course, you'll learn how to use resamples() to compare multiple models and select (or ensemble) the best one(s).

Reusing a trainControl

Why reuse a trainControl?

Make custom train/test indices

Reintroducing glmnet

glmnet as a baseline model

Fit the baseline model

Reintroducing random forest

Random forest drawback

Random forest with custom trainControl

Comparing models

Matching train/test indices

Create a resamples object

More on resamples

Create a box-and-whisker plot

Create a scatterplot

Ensembling models

R의 caret로 배우는 Machine Learning

강의
완료

수료증 획득

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

19백만 명 이상의 학습자와 함께 R의 caret로 배우는 Machine Learning을(를) 시작하세요!

무료 계정을 만드세요

또는

계속 진행하시면 당사의 이용약관, 개인정보처리방침 및 귀하의 데이터가 미국에 저장되는 것에 동의하시는 것입니다.

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

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