Przejdź do głównej treści

Strona główna R

Kurs

Uczenie maszynowe z caret w R

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 11.2023

Ten kurs uczy kluczowych pojęć machine learning, takich jak tworzenie i ocena modeli predykcyjnych.

Zacznij kurs za darmo

RMachine Learning

4 godz.

24 filmy

88 Ćwiczeń

6,200 XP

60,659

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Uczenie maszynowe to dziedzina zajmująca się algorytmami, które uczą się na podstawie danych i wyciągają z nich wnioski. Od wyników wyszukiwania po autonomiczne samochody – jest obecne w niemal każdym obszarze naszego życia i stanowi jeden z najbardziej ekscytujących oraz dynamicznie rozwijających się obszarów data science. Kurs ten wprowadza w najważniejsze idee uczenia maszynowego: jak budować i oceniać modele predykcyjne, jak dostrajać je pod kątem optymalnej wydajności, jak przetwarzać dane wstępnie, aby uzyskać lepsze wyniki, i wiele więcej. Przez cały kurs korzystamy z popularnego pakietu caret dla R, który zapewnia spójny interfejs do wszystkich najważniejszych narzędzi uczenia maszynowego dostępnych w R.

Wymagania wstępne

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

Zacznij rozdział

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).

Zacznij rozdział

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

Zacznij rozdział

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()

Zacznij rozdział

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

Zacznij rozdział

Uczenie maszynowe z caret 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 Uczenie maszynowe z caret 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.