Ana içeriğe atla

Kurs

R'de Boyutsal Azaltma

TemelBeceri Seviyesi

Güncel 12.2024

R'da boyut indirgeme tekniklerini öğrenin ve kendi verileriniz ve modelleriniz için özellik seçimi ve çıkarma konusunda uzmanlaşın.

Kursa Ücretsiz Başlayın

RMachine Learning

4 sa

16 video

56 Egzersiz

4,600 XP

2,745

Başarı Belgesi

Binlerce şirketten öğrencinin sevgisini kazandı

Bir Ekibi Eğitiyor musunuz?

İşletmeler için deneyin

Kurs Açıklaması

Hiç çok fazla özellik içeren veri kümeleriyle çalıştınız mı? Tüm bu özelliklere ihtiyacınız var mı? En önemlileri hangileridir? Bu kursta, orijinal verilerdeki bilgileri ve iyi tahmin performansını korurken, verilerinizi ve verilerinizle oluşturduğunuz modelleri basitleştirmenize yardımcı olacak boyut azaltma tekniklerini öğreneceksiniz.

Neden boyut indirgemeyi öğrenmeliyiz?

Bilgi çağında yaşıyoruz — bilgi bombardımanının yaşandığı bir çağda. Verilerden önemli bilgileri çıkarma sanatı, pazarlanabilir bir beceridir. Modeller, azaltılmış verilerle daha hızlı öğrenir. Üretimde, daha küçük modeller daha hızlı tepki süresi anlamına gelir. Belki de en önemlisi, daha küçük veriler ve modeller genellikle daha kolay anlaşılır. Boyutsallık azaltma, veri biliminde Occam'ın usturasıdır.

Bu kursta neler öğreneceksiniz?

Özellik seçimi ile özellik çıkarma arasındaki fark! R kullanarak, düşük veya gereksiz bilgi içeren özellikleri belirlemeyi ve kaldırmayı öğrenecek, en fazla bilgi içeren özellikleri koruyacaksınız. Bu özellik seçimi. Ayrıca, maksimum bilgi içeren yoğunlaştırılmış bileşenler olarak özellik kombinasyonlarını nasıl çıkaracağınızı da öğreneceksiniz. Bu özellik çıkarma!

Ancak en önemlisi, R'nin yeni tidymodel paketini kullanarak, önemli performanstan ödün vermeden daha az özellikli modeller oluşturmak için gerçek dünya verilerini kullanacaksınız.

Önkoşullar

Modeling with tidymodels in R

1

Boyutsal Azaltmanın Temelleri

Büyük veri kümelerini basitleştirmeye hazırlan! Bilgi kavramını, özellik önemini nasıl değerlendireceğini öğrenecek ve düşük bilgi içeren özellikleri belirleme pratiği yapacaksın. Bölümün sonunda, boyutsal azaltmanın iki yaklaşımı olan özellik seçimi ve özellik çıkarımı arasındaki farkı anlayacaksın.

Boyut indirgemeye giriş

Boyutluluk ve özellik bilgisi

Karşılıklı bilgi içeren özellikler

Bilgi ve özellik önemi

Kök entropisini hesaplama

Alt düğüm entropilerini hesaplama

Renge göre bilgi kazancını hesaplama

Veri ve Model Oluşturmada Boyut Azaltmanın Önemi

Olası kombinasyonları hesapla

Boyutsallık laneti, aşırı uyum ve yanlılık

Bölümü Başlat

2

Özellik Önemine Göre Özellik Seçimi

Eksik değer oranları, varyans ve korelasyona bakarak bilgi açısından zengin ve fakir özellikleri nasıl belirleyeceğini öğren. Ardından, bu bilgi göstergelerini kullanarak özellik seçmek için tidymodels tarifleri oluşturmayı keşfedeceksin.

Özellik seçimi vs. özellik çıkarımı

Sıfır varyanslı bir filtre oluştur

Eksik değer filtresi oluştur

Birleşik filtre ile özellik seçimi

Eksik değerlere göre seçim

Kayıp değer oranı filtresi oluştur

Eksik değer oranı filtresi uygula

Eksik değerler için bir recipe oluştur

Varyansa göre seçim

Düşük varyanslı bir filtre oluştur

Düşük varyanslı bir tarif oluştur

Diğer özelliklerle korelasyona göre seçim

Yüksek korelasyonlu özellikleri belirle

Kaldırılacak korele özelliği seç

Yüksek korelasyonlu bir recipe oluştur

Bölümü Başlat

3

Model Performansına Göre Özellik Seçimi

Üçüncü bölüm, gözetimsiz ve gözetimli özellik seçimi yaklaşımları arasındaki farkı tanıtır. Modeller kurmak için tidymodels iş akışlarının nasıl kullanılacağını gözden geçireceksin. Sonrasında, lasso regresyon ve random forest modelleriyle gözetimli özellik seçimi yapacaksın.

Denetimli özellik seçimi

Denetimli vs. denetimsiz öznitelik seçimi

Karar ağacı özellik seçimi türü

tidymodels ile Model Kurma ve Değerlendirme

Eğitim ve test setlerini ayır

Bir tarif-model workflow'u oluştur

Modeli uydur, keşfet ve değerlendir

Lasso Regresyonu

Lasso regresyon için veriyi ölçekle

Lasso regresyon ceza değerlerini keşfet

Penalty hiperparametresini ayarla

En iyi modeli uydur

Rastgele orman modelleri

Tam bir random forest modeli oluştur

Özellik önemlerini kullanarak veriyi küçült

Azaltılmış random forest oluştur

Bölümü Başlat

4

Özellik Çıkarımı ve Model Performansı

Bu son bölümde, temel bileşenlerin farklı özelliklerden en önemli bilgileri nasıl çıkarıp birleştirdiğini anlayarak özellik çıkarımı konusunda güçlü bir sezgi kazanacaksın. Ardından üç tür özellik çıkarımı — Principal Component Analysis (PCA), t-SNE ve UMAP — hakkında bilgi edinip uygulayacaksın. Bu özellik çıkarım yöntemlerini, tidymodels model kurma sürecinde bir ön işleme adımı olarak nasıl kullanabileceğini keşfet.

Özellik çıkarımının temelleri - temel bileşenler

Temel bileşenleri anlama

Temel bileşenleri adlandırma

Temel Bileşen Analizi (PCA)

PCA: açıklanan varyans

Özellikleri temel bileşenlere eşlemek

tidymodels ile PCA

t-Dağıtılmış Stokastik Komşuluk Gömme (t-SNE)

PCA ile konut fiyatlarını ayırma

t-SNE ile konut fiyatlarını ayırma

Uniform Manifold Approximation and Projection (UMAP)

UMAP ile konut fiyatlarını ayırma

Karar ağacı modelinde UMAP indirgeme

UMAP karar ağacı modelini değerlendir

Bölümü Başlat

R'de Boyutsal Azaltma

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve R'de Boyutsal Azaltma eğitimine başlayın!

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.