Cursus
Dimensionality Reduction in R
BasisVaardigheidsniveau
Bijgewerkt 12-2024Start Cursus Kosteloos
Inbegrepen bijPremium or Teams
RMachine Learning4 u16 videos56 Opdrachten4,600 XP2,633Prestatieverklaring
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.Geliefd bij leerlingen van duizenden bedrijven
Wil je 2 of meer mensen trainen?
Probeer DataCamp for BusinessCursusbeschrijving
Waarom dimensiereductie leren?
We leven in het informatietijdperk – een tijd waarin we overspoeld worden met informatie. De kunst om belangrijke info uit gegevens te halen is een vaardigheid waar veel vraag naar is. Modellen trainen sneller op minder data. In de productie betekenen kleinere modellen dat je sneller kunt reageren. Misschien wel het belangrijkste is dat kleinere gegevens en modellen vaak makkelijker te begrijpen zijn. Dimensionale reductie is je scheermesje van Occam in de datawetenschap.
Wat ga je in deze cursus leren?
Het verschil tussen kenmerkselectie en kenmerkextractie! Met R leer je hoe je dingen met weinig of dubbele info kunt vinden en weggooien, zodat je alleen de dingen met de meeste info overhoudt. Dat is het kiezen van functies. Je leert ook hoe je combinaties van kenmerken kunt halen als compacte onderdelen die zoveel mogelijk info bevatten. Dat is feature-extractie!
Maar het belangrijkste is dat je met het nieuwe tidymodel-pakket van R echte gegevens kunt gebruiken om modellen te maken met minder functies, zonder dat dit ten koste gaat van de prestaties.
Vereisten
Modeling with tidymodels in R1
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.
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.
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.
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.
Dimensionality Reduction in R
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprek
Inbegrepen bijPremium or Teams
Schrijf Je Nu inSluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Dimensionality Reduction in R!
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.