Перейти к основному содержимому

Главная R

Курс

Machine Learning with caret in R

Средний уровеньУровень навыков

Обновлено 11.2023

This course teaches the big ideas in machine learning like how to build and evaluate predictive models.

Начать курс бесплатно

RMachine Learning

4 ч

24 видео

88 Упражнений

6,200 XP

60,659

Справка об успешном завершении

Создать бесплатный аккаунт

Продолжить через Google Показать больше вариантов

или

Продолжая, вы принимаете наши Условия использования, нашу Политику конфиденциальности и соглашаетесь с тем, что ваши данные хранятся в США.

Любимая обучающимися из тысяч компаний

Обучаете команду?

Попробуйте для бизнеса

Описание курса

Machine learning is the study and application of algorithms that learn from and make predictions on data. From search results to self-driving cars, it has manifested itself in all areas of our lives and is one of the most exciting and fast growing fields of research in the world of data science. This course teaches the big ideas in machine learning: how to build and evaluate predictive models, how to tune them for optimal performance, how to preprocess data for better results, and much more. The popular caret R package, which provides a consistent interface to all of R's most powerful machine learning facilities, is used throughout the course.

Необходимые условия

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

Начать главу

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).

Начать главу

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

Начать главу

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()

Начать главу

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

Начать главу

Machine Learning with caret in R

Курс
завершён

Получить сертификат об окончании

Добавьте эту квалификацию в профиль LinkedIn, резюме или CV
Поделитесь в социальных сетях и в обзоре эффективностиЗаписаться сейчас

Для бизнеса

Обучаете 2 и более человек?

Откройте вашей команде доступ ко всей платформе DataCamp, включая все функции.

В следующих треках

Основы машинного обучения на R

Специалист по машинному обучению на R

инструктора

Zachary Deane-Mayer

Zachary Deane-Mayer

VP, Data Science at DataRobot

соавтора

Курс ресурсов

Diamondsнабор данных

Sonarнабор данных

Wineнабор данных

Overfit dataнабор данных

Breast Cancerнабор данных

Blood-brainнабор данных

Churnнабор данных

Присоединяйтесь к более чем 19 миллионам обучающихся и начните Machine Learning with caret in R уже сегодня!

Создать бесплатный аккаунт

Продолжить через Google Показать больше вариантов

или

Продолжая, вы принимаете наши Условия использования, нашу Политику конфиденциальности и соглашаетесь с тем, что ваши данные хранятся в США.

Развивайте свои навыки работы с данными с помощью DataCamp для мобильных устройств.

Успевайте в обучении на ходу с помощью наших мобильных курсов и ежедневных 5-минутных заданий по программированию.