Przejdź do głównej treści

Strona główna R

Kurs

Redukcja wymiarowości w R

PodstawowyPoziom umiejętności

Zaktualizowano 12.2024

Poznaj techniki redukcji wymiarowości w R i opanuj selekcję oraz ekstrakcję cech dla własnych danych i modeli.

Zacznij kurs za darmo

RMachine Learning

4 godz.

16 filmów

56 Ćwiczeń

4,600 XP

2,744

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Czy zdarza Ci się pracować z zestawami danych zawierającymi przytłaczającą liczbę cech? Czy potrzebujesz wszystkich tych funkcji? Które z nich są najważniejsze? W tym kursie nauczysz się technik redukcji wymiarowości, które pomogą Ci uprościć dane oraz modele, które tworzysz na ich podstawie, przy jednoczesnym zachowaniu informacji zawartych w danych źródłowych i dobrej skuteczności predykcyjnej.

Dlaczego warto uczyć się redukcji wymiarowości?

Żyjemy w erze informacji — epoce nadmiaru informacji. Sztuka wydobywania najważniejszych informacji z danych to cenna umiejętność na rynku pracy. Modele uczą się szybciej na zredukowanych danych. W produkcji mniejsze modele oznaczają krótszy czas odpowiedzi. Być może najważniejsze jest to, że mniejsze dane i modele są często łatwiejsze do zrozumienia. Redukcja wymiarowości to brzytwa Ockhama w data science.

Czego nauczysz się na tym kursie?

Różnica między selekcją cech a ekstrakcją cech! Używając R, nauczysz się identyfikować i usuwać cechy o niskiej lub nadmiarowej informacji, zachowując cechy o największej ilości informacji. To selekcja cech. Nauczysz się także, jak wyodrębniać kombinacje cech jako skondensowane komponenty zawierające maksymalną ilość informacji. To właśnie ekstrakcja cech!

Ale przede wszystkim, korzystając z nowego pakietu tidymodel w R, wykorzystasz rzeczywiste dane do budowania modeli z mniejszą liczbą cech, bez znaczącej utraty wydajności.

Wymagania wstępne

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

Zacznij rozdział

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

Zacznij rozdział

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

Zacznij rozdział

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

Zacznij rozdział

Redukcja wymiarowości w R

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Redukcja wymiarowości w R już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.