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

60,704

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

Modele regresji: dopasowanie i ocena wydajności

W pierwszym rozdziale kursu dopasowujesz modele regresji za pomocą train() i oceniasz ich wydajność na danych testowych, korzystając z walidacji krzyżowej i pierwiastka błędu średniokwadratowego (RMSE).

Witaj na kursie

RMSE obliczane na zbiorze treningowym w regresji liniowej

RMSE na danych treningowych dla regresji liniowej na zbiorze diamonds

Miary błędu na danych spoza próby

RMSE na danych spoza próby dla regresji liniowej

Losowe przestawienie kolejności ramki danych

Wypróbuj podział 80/20

Przewidywanie na zbiorze testowym

Ręczne obliczenie RMSE na zbiorze testowym

Porównanie RMSE na zbiorze testowym z RMSE na zbiorze treningowym

Walidacja krzyżowa

Zaleta walidacji krzyżowej

10-krotna walidacja krzyżowa

5-krotna walidacja krzyżowa

Kroswalidacja 5 x 5-krotna

Przewidywanie na nowych danych

Zacznij rozdział

2

Modele klasyfikacji: dopasowanie i ocena wydajności

W tym rozdziale dopasowujesz modele klasyfikacji za pomocą train() i oceniasz ich wydajność na danych testowych, korzystając z walidacji krzyżowej i pola pod krzywą (AUC).

Zacznij rozdział

3

Dostrajanie parametrów modelu w celu poprawy wydajności

W tym rozdziale używasz funkcji train() do dostrajania parametrów modelu za pomocą walidacji krzyżowej i przeszukiwania siatki.

Lasy losowe i wino

Lasy losowe a modele liniowe

Dopasuj las losowy

Eksploruj szerszą przestrzeń modeli

Zaleta większej wartości tuneLength

Wypróbuj dłuższą siatkę strojenia

Niestandardowe siatki strojenia

Zalety własnej siatki strojenia

Dopasuj las losowy z niestandardową siatką parametrów

Wprowadzenie do glmnet

Zaleta glmnet

Utwórz własny trainControl

Dopasowanie glmnet z własnym trainControl

glmnet z niestandardową siatką dostrajania

Po co niestandardowa siatka dostrajania?

glmnet z własnym trainControl i strojeniem

Interpretowanie wykresów glmnet

Zacznij rozdział

4

Przetwarzanie wstępne danych

W tym rozdziale ćwiczysz zastosowanie train() do wstępnego przetwarzania danych przed dopasowaniem modeli, co pozwala na trafniejsze przewidywania.

Imputacja medianą

Imputacja medianą a pomijanie wierszy

Zastosuj imputację medianą

Imputacja metodą KNN

Porównanie imputacji KNN z imputacją medianą

Imputacja metodą KNN

Porównanie imputacji KNN i imputacji medianą

Wiele metod preprocessingu

Kolejność operacji

Łączenie metod preprocessingu

Obsługa predyktorów o niskiej wartości informacyjnej

Dlaczego warto usuwać predyktory o bliskiej zerowej wariancji?

Usuwanie predyktorów o bliskiej zerowej wariancji

preProcess() i nearZeroVar()

Dopasuj model do zredukowanych danych blood-brain

Analiza głównych składowych (PCA)

Użycie PCA jako alternatywy dla nearZeroVar()

Zacznij rozdział

5

Wybór modelu: studium przypadku – przewidywanie rezygnacji klientów

W ostatnim rozdziale kursu uczysz się, jak używać resamples() do porównywania wielu modeli i wyboru (lub łączenia) najlepszych z nich.

Ponowne wykorzystanie trainControl

Po co ponownie używać trainControl?

Tworzenie własnych indeksów treningowych i testowych

Ponowne wprowadzenie glmnet

glmnet jako model bazowy

Dopasuj model bazowy

Ponowne wprowadzenie lasów losowych

Wada lasów losowych

Las losowy z niestandardowym trainControl

Porównywanie modeli

Dopasowanie indeksów treningowych i testowych

Tworzenie obiektu resamples

Więcej o metodzie resamples

Tworzenie wykresu pudełkowego

Utwórz wykres punktowy

Łączenie modeli w ensemble

Podsumowanie

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.