Ga naar hoofdinhoud

Cursus

Machine Learning met caret in R

GemiddeldVaardigheidsniveau

Bijgewerkt 11-2023

Deze cursus laat je kennismaken met de grote ideeën achter machine learning, zoals hoe je voorspellende modellen kunt maken en beoordelen.

Start Cursus Kosteloos

RMachine Learning

4 u

24 videos

88 Opdrachten

6,200 XP

60,672

Bewijs van Prestatie

Geliefd bij leerlingen van duizenden bedrijven

Een team trainen?

Probeer voor bedrijven

Cursusbeschrijving

Machine Learning is het bestuderen en toepassen van algoritmen die leren van data en hierop voorspellingen doen. Van zoekresultaten tot zelfrijdende auto’s: het is overal om ons heen en een van de meest spannende en snelgroeiende onderzoeksgebieden binnen data science. In deze cursus leer je de kernideeën van Machine Learning: hoe je voorspellende modellen bouwt en evalueert, hoe je ze afstemt voor optimale prestaties, hoe je data vooraf bewerkt voor betere resultaten, en meer. We gebruiken door de hele cursus het populaire R-pakket caret, dat een consistente interface biedt naar de krachtigste Machine Learning-mogelijkheden in R.

Vereisten

Introduction to Regression in R

1

Regressiemodellen: fitten en hun prestaties evalueren

In de eerste hoofdstuk van deze cursus fit je regressiemodellen met train() en evalueer je hun out-of-sample prestaties met cross-validatie en root-mean-square error (RMSE).

Welkom bij de cursus

In-sample RMSE voor lineaire regressie

In-sample RMSE voor lineaire regressie op diamonds

Foutmaten voor out-of-sample

Out-of-sample RMSE voor lineaire regressie

Zet de data frame willekeurig in een andere volgorde

Probeer een 80/20-splitsing

Voorspellen op testset

Bereken de RMSE op de testset met de hand

Out-of-sample RMSE vergelijken met in-sample RMSE

Cross-validatie

Voordeel van cross-validatie

10-voudige cross-validatie

5-voudige cross-validatie

5 x 5-fold cross-validatie

Voorspellingen maken op nieuwe gegevens

Hoofdstuk beginnen

2

Classificatiemodellen: fitten en hun prestaties evalueren

In dit hoofdstuk fit je classificatiemodellen met train() en evalueer je hun out-of-sample prestaties met cross-validatie en area under the curve (AUC).

Hoofdstuk beginnen

3

Modelparameters afstemmen voor betere prestaties

In dit hoofdstuk gebruik je de functie train() om modelparameters te finetunen via cross-validatie en grid search.

Random forests en wijn

Random forests vs. lineaire modellen

Train een random forest

Verken een groter modelruimte

Voordeel van een grotere tune length

Probeer een langere tune length

Aangepaste afstemmingsroosters

Voordelen van een aangepaste tuninggrid

Train een random forest met aangepaste tuning

Kennismaken met glmnet

Voordeel van glmnet

Maak een aangepaste trainControl

glmnet fitten met aangepaste trainControl

glmnet met een aangepaste afstemmingsraster

Waarom een eigen afstemmingsraster?

glmnet met aangepaste trainControl en tuning

glmnet-plots interpreteren

Hoofdstuk beginnen

4

Data pre-processen

In dit hoofdstuk oefen je met train() om data te pre-processen voordat je modellen fit, zodat je nauwkeurigere voorspellingen kunt maken.

Mediaanimputatie

Mediaanimputatie vs. rijen weglaten

Medianimputatie toepassen

KNN-imputatie

KNN-imputatie vergelijken met mediaan-imputatie

KNN-imputatie gebruiken

KNN-imputatie en mediaanimputatie vergelijken

Meerdere preprocessingmethoden

Volgorde van bewerkingen

Preprocessing-methoden combineren

Omgaan met voorspellende variabelen met weinig informatie

Waarom voorspellers met (bijna) nulvariantie verwijderen?

Predictoren met bijna-nulvariantie verwijderen

preProcess() en nearZeroVar()

Model fitten op gereduceerde blood-brain-data

Principalecomponentenanalyse (PCA)

PCA gebruiken als alternatief voor nearZeroVar()

Hoofdstuk beginnen

5

Modellen selecteren: een casestudy in churnvoorspelling

In het laatste hoofdstuk van deze cursus leer je hoe je resamples() gebruikt om meerdere modellen te vergelijken en de beste(n) te selecteren (of te ensemblen).

Een trainControl hergebruiken

Waarom een trainControl hergebruiken?

Maak aangepaste train/test-indexen

Herintroductie van glmnet

glmnet als basismodel

Pas het basismodel aan

Random forest opnieuw introduceren

Nadeel van random forest

Random forest met aangepaste trainControl

Modellen vergelijken

Overeenkomende train/test-indexen

Maak een resamples-object

Meer over resamples

Maak een box-and-whisker-plot

Maak een scatterplot

Modellen ensemblen

Samenvatting

Hoofdstuk beginnen

Machine Learning met caret in R

Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Machine Learning met caret in R!

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.