Proč stromové metody?

Stromové modely patří mezi jednu ze skupin metod využívaných ve strojovém učení. Mají celou řadu výhod, ale i své nevýhody.

Které z následujících tvrzení jsou pravdivá a která ne?

Toto cvičení je součástí kurzu

Machine Learning with Tree-Based Models in R

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Machine Learning with Tree-Based Models in R

SkillTag.level.beginnerSkillTag.label

4.9+

Začněte kurz zdarma

Připrav se na sestavení skutečného pipeline strojového učení! Krok za krokem se naučíš vytvářet rozhodovací stromy, rozdělovat data a předpovídat, u kterých pacientů je nejvyšší riziko cukrovky. A na závěr sestavíš metriky výkonu, pomocí kterých zhodnotíš své modely a ověříš přesnost předpovědí.

Exercise 1: Vítej v kurzu!Exercise 2: Proč stromové metody?

Aktuální cvičení

Exercise 3: Zadej specifikaci stromu Exercise 4: Natrénuj model Exercise 5: Jak pěstovat svůj strom Exercise 6: Rozdělení na trénovací a testovací sadu Exercise 7: Vyhýbání se nerovnoměrnému rozložení tříd Exercise 8: Od nuly k hrdinovi Exercise 9: Předpovídání a vyhodnocování Exercise 10: Vytváření predikcí Exercise 11: Rozluštění matice Exercise 12: Jsou tvoje předpovědi správné?

Máš chuť na něco sladkého? Použij datovou sadu hodnocení čokolád k sestavení regresních stromů a vyhodnoť jejich výkon pomocí vhodných chybových měr. Překonáš statistické nejistoty spojené s jednorázovým rozdělením dat na trénovací a testovací sadu pomocí technik, jako je křížová validace, a pak se ponoříš ještě hlouběji – do kompromisu mezi vychýlením a rozptylem.

Exercise 1: Spojité výstupy Exercise 2: Trénování regresního stromu Exercise 3: Předpovídání nových hodnot Exercise 4: Prozkoumej výstup modelu Exercise 5: Metriky výkonu pro regresní stromy Exercise 6: Výkon na trénovacích datech Exercise 7: Výkon na testovacích datech Exercise 8: Větší chyba, větší trest Exercise 9: Křížová validace Exercise 10: Vytvoření skupin (folds)Exercise 11: Natrénuj foldy Exercise 12: Vyhodnoť záhyby Exercise 13: Kompromis mezi biasem a variancí Exercise 14: Říkej věcem pravým jménem Exercise 15: Úprava složitosti modelu Exercise 16: Výkon na trénovacích a testovacích datech

Čas soustředit se vážně na ladění hyperparametrů a interpretaci křivek ROC (receiver operating characteristic). V této kapitole využiješ kolektivní moudrost ansámblových modelů, jako je bagging nebo náhodné lesy, a sestavíš ansámbly pro předpověď toho, kteří zákazníci kreditních karet s největší pravděpodobností odejdou.

Exercise 1: Ladění hyperparametrů Exercise 2: Vytvoření tuningové mřížky Exercise 3: Ladění na mřížce Exercise 4: Vyber vítěze Exercise 5: Další metriky modelu Exercise 6: Výpočet specificity Exercise 7: Vykresli ROC křivku Exercise 8: Plocha pod ROC křivkou Exercise 9: Bagging stromů Exercise 10: Vytvoř model bagged trees Exercise 11: In-sample ROC a AUC Exercise 12: Zkontroluj přeučení Exercise 13: Random forest Exercise 14: Bagged trees vs. random forest Exercise 15: Důležitost proměnných

Připrav se na špičku stromových modelů! Aplikuj gradientní boosting k vytvoření výkonných ansámblů, které předčí vše, co jsi dosud viděl/a nebo sestavil/a. Naučíš se jejich jemné ladění a také to, jak porovnávat různé modely a vybrat ten nejlepší pro nasazení do produkce.

Exercise 1: Úvod do boostingu Exercise 2: Bagging vs. boosting Exercise 3: Specifikace boostovaného ensemblu Exercise 4: Gradientní boosting Exercise 5: Trénování boostovaného ensemblu Exercise 6: Vyhodnocení ansámblu Exercise 7: Porovnání s jediným klasifikátorem Exercise 8: Optimalizace posíleného ensemblu Exercise 9: Příprava ladění Exercise 10: Samotné ladění Exercise 11: Finalizace modelu Exercise 12: Porovnání modelů Exercise 13: Porovnání AUC Exercise 14: Zobrazení ROC křivek Exercise 15: Závěr