课程
R 中的降维
基础技能水平
更新时间 2024年12月
RMachine Learning4小时16 视频56 道练习4,600 XP2,763成就证明
创建您的免费帐户
继续使用 Google显示更多选项或
继续操作即表示您接受我们的《使用条款》和《隐私政策》，并同意您的数据存储在美国。
深受数千家公司学习者的喜爱
需要团队培训？
企业版试用课程描述
为什么学习降维？
我们生活在信息时代——一个信息过载的时代。 从数据中提取关键信息的能力是一项极具市场价值的技能。 模型在减少的数据上训练更快。 在生产环境中，更小的模型意味着更快的响应时间。 或许最重要的是，更小的数据和模型通常更容易理解。 降维是数据科学中的奥卡姆剃刀。
你将在这门课程中学到什么？
特征选择与特征提取的区别！使用 R，您将学习如何识别并移除信息量低或冗余的特征，保留信息量最大的特征。 这就是特征选择。 您还将学习如何将特征组合提取为包含最大信息的压缩组件。 这就是特征提取！
但最重要的是，借助 R 的新 tidymodel 包，你将使用真实世界数据构建特征更少、却不会显著牺牲性能的模型。
先决条件
Modeling with tidymodels in R1
降维基础
准备好简化大型数据集吧！您将学习信息的概念、如何评估特征重要性，并练习识别低信息量特征。学完本章，您将理解特征选择与特征提取——这两类降维方法之间的区别。
2
面向特征重要性的特征选择
学习如何通过缺失值比例、方差和相关性来识别信息丰富与信息稀缺的特征。随后，您将了解如何构建 tidymodels 的 recipes，利用这些信息指标来进行特征选择。
3
面向模型性能的特征选择
第 3 章将介绍无监督与有监督特征选择方法的区别。您将回顾如何使用 tidymodels 的 workflows 来构建模型。接着，您将通过 lasso 回归与随机森林模型执行有监督特征选择。
4
特征提取与模型性能
在最后一章，您将通过理解主成分如何从不同特征中提取并组合最重要的信息，来建立对特征提取的直观认识。随后学习并应用三类特征提取方法——主成分分析（PCA）、t-SNE 和 UMAP。了解如何在 tidymodels 的建模流程中，将这些特征提取方法作为预处理步骤使用。
R 中的降维
课程完成 加入超过19百万学习者，今天就开始R 中的降维！
创建您的免费帐户
继续使用 Google显示更多选项或
继续操作即表示您接受我们的《使用条款》和《隐私政策》，并同意您的数据存储在美国。
通过 DataCamp for Mobile 提升您的数据技能
随时随地通过我们的移动课程和每日 5 分钟编程挑战提升技能。