Sari la conținutul principal

Curs

Modelare cu tidymodels în R

IntermediarNivel de competențe

Actualizat 07.2022

Optimizează-ți fluxurile de lucru de machine learning cu tidymodels.

Începe cursul gratuit

RMachine Learning

4 h

16 videoclipuri

59 Exerciții

4,950 XP

10,819

Certificat de realizare

Îndrăgit de cursanți din mii de companii

Formare pentru o echipă?

Încearcă pentru afaceri

Descrierea cursului

tidymodels este o suită puternică de pachete R concepută pentru a simplifica fluxurile de lucru în învățarea automată. Vei învăța să împarți seturi de date pentru validare încrucișată, să preprocesezi date cu pachetul recipes din tidymodels și să ajustezi fin algoritmii de învățare automată. Vei aprofunda concepte esențiale, precum definirea obiectelor de tip model și crearea fluxurilor de modelare. Apoi, îți vei aplica abilitățile pentru a prezice prețurile locuințelor și a clasifica angajații în funcție de riscul de a părăsi compania.

Cerințe prealabile

Modeling with Data in the Tidyverse

1

Învățare automată cu tidymodels

În acest capitol, vei explora ecosistemul bogat de pachete R care stau la baza tidymodels și vei descoperi cum pot simplifica fluxurile tale de lucru în învățarea automată. Apoi, îți vei pune abilitățile dobândite la treabă, prezicând prețurile de vânzare ale locuințelor din Seattle, Washington.

Ecosistemul tidymodels

Pachetele tidymodels

Crearea seturilor de antrenament și de testare

Distribuția valorilor variabilei de rezultat

Regresie liniară cu tidymodels

Antrenarea unui model de regresie liniară

Explorarea parametrilor estimați ai modelului

Predicția prețurilor de vânzare a locuințelor

Evaluarea performanței modelului

Metrici de performanță ale modelului

Graficul R pătrat

Procesul complet de antrenare a modelului cu last_fit()

Începe capitolul

2

Modele de clasificare

Află cum să prezici rezultate categorice antrenând modele de clasificare. Folosind abilitățile acumulate până acum, vei prezice probabilitatea ca un client să renunțe la serviciile unei companii de telecomunicații.

Modele de clasificare

Reesantionarea datelor

Antrenarea unui model de regresie logistică

Combinarea rezultatelor din setul de testare

Evaluarea calității modelului

Calcularea metricilor din matricea de confuzie

Evaluarea performanței cu yardstick

Crearea unor seturi de metrici personalizate

Vizualizarea performanței modelului

Reprezentarea grafică a matricei de confuzie

Curbele ROC și aria de sub curba ROC

Automatizarea fluxului de lucru pentru modelare

Simplificarea procesului de modelare

Colectarea predicțiilor și crearea de metrici personalizate

Fluxul complet de modelare

Începe capitolul

3

Ingineria caracteristicilor

Descoperă cum să construiești pipeline-uri de inginerie a caracteristicilor cu pachetul recipes. Vei pregăti date numerice și categorice pentru a ajuta algoritmii de învățare automată să optimizeze predicțiile tale.

Ingineria caracteristicilor

Explorarea obiectelor recipe

Crearea obiectelor recipe

Antrenarea unui obiect recipe

Predictori numerici

Descoperirea predictorilor corelați

Eliminarea predictorilor corelați cu recipes

Pași multipli de inginerie a caracteristicilor

Predictori nominali

Aplicarea step_dummy() pe predictori

Ordinea funcțiilor step_*()

Pipeline complet de inginerie a caracteristicilor

Flux de lucru complet pentru modelare

Procesul de inginerie a caracteristicilor

Antrenarea modelului și predicții

Metrici de performanță ale modelului

Începe capitolul

4

Fluxuri de lucru și ajustarea hiperparametrilor

A venit momentul să eficientizezi procesul de modelare folosind fluxuri de lucru și să ajustezi fin modelele prin validare încrucișată și ajustarea hiperparametrilor. Vei învăța cum să ajustezi un model de clasificare bazat pe arbori de decizie pentru a prezice dacă clienții unei bănci sunt predispuși să nu își ramburseze creditul.

Fluxuri de lucru pentru învățarea automată

Explorarea setului de date loans

Specificarea unui model și a unei rețete

Crearea fluxurilor de lucru

Estimarea performanței prin validare încrucișată

Măsurarea performanței prin validare încrucișată

Validare încrucișată cu regresie logistică

Compararea profilurilor de performanță ale modelelor

Ajustarea hiperparametrilor

Setarea hiperparametrilor modelului

Căutare aleatorie în grilă

Explorarea rezultatelor ajustării

Selectarea celui mai bun model

Finalizarea unui workflow

Antrenarea unui workflow finalizat

Felicitări!

Începe capitolul

Modelare cu tidymodels în R

Curs
finalizat

Obține diploma de absolvire

Adaugă această acreditare la profilul tău LinkedIn, CV sau rezumat
Distribuie pe rețelele de socializare și în evaluarea ta de performanțăÎnscrie-te acum

Alătură-te celor peste 19 de milioane de cursanți și începe Modelare cu tidymodels în R astăzi!

Dezvoltați-vă abilitățile de gestionare a datelor cu DataCamp pentru mobil

Fă progrese din mers cu cursurile noastre mobile și provocările zilnice de programare de 5 minute.