Dieses Kapitel führt dich in das Rückgrat des Machine Learning im Tidyverse ein: den List Column Workflow (LCW). Der LCW ermöglicht dir, mit vielen Modellen in einem Dataframe zu arbeiten. <br> Außerdem lernst du die Grundlagen des Pakets broom kennen, um deine Modelle zu untersuchen.

Grundlagen des „tidy“ Machine Learnings

Daten verschachteln

Deine Daten entpacken (unnesten)

Eine verschachtelte Zelle erkunden

Die map-Familie von Funktionen

Deine Daten mappen

Erwartete gemappte Ausgabe

Viele Modelle mappen

Bringe deine Modelle mit broom in Form

Die drei Wege, dein Modell aufzuräumen

Modellstatistiken ordentlich extrahieren

Deine Daten erweitern

Grundlagen des "tidy" Machine Learning

In diesem Kapitel nutzt du den List Column Workflow, um 77 Modelle zu erstellen und ihre Eigenschaften zu untersuchen. Mit den Tools aus dem Paket broom gewinnst du ein mehrdimensionales Verständnis all dieser Modelle.

Koeffizienten über Modelle hinweg erkunden

Bereinige die Koeffizienten deiner Modelle

Was können wir über diese 77 Länder lernen?

Die Güte vieler Modelle beurteilen

Wirf einen kurzen Blick auf die Güte deiner Modelle

Beste und schlechteste Modellanpassungen

Die Passung vieler Modelle visuell prüfen

Erweitere die vorhergesagten Werte jedes Modells

Untersuche deine am besten und am schlechtesten passenden Modelle

Verbessere die Passung deiner Modelle

Bessere Modelle bauen

Die Zukunft vorhersagen

Viele Modelle mit broom

In diesem Kapitel lernst du, wie du mit dem List Column Workflow Regressionsmodelle erstellst, tunst und bewertest. Du arbeitest mit zwei Modellarten: linearen Modellen und Random-Forest-Modellen.

Trainings-, Test- und Validierungs-Splits

Der Test-Train-Split

Cross-Validation-Data-Frames

Cross-Validation-Leistung messen

Kreuzvalidierte Modelle erstellen

Vorbereitung auf die Auswertung

Modellleistung bewerten

Ein Random-Forest-Modell erstellen und tunen

Ein Random-Forest-Modell erstellen

Ein Random-Forest-Modell auswerten

Feinschliff für dein Modell

Der am besten performende Parameter

Die Testleistung messen

Bestes Modell aufbauen & auswerten

Regressionsmodelle erstellen, tunen und bewerten

In diesem Kapitel wechselst du den Fokus, um Klassifikationsmodelle zu erstellen, zu tunen und zu bewerten.

Logistische Regressionsmodelle

Train-Test-Validate-Teile vorbereiten

Klassifikationsmodelle bewerten

Vorhersagen eines einzelnen Modells

Leistung eines einzelnen Modells

Für crossvalidierte Performance vorbereiten

Kreuzvalidierte Performance berechnen

Random Forest für die Klassifikation

Random-Forest-Modelle tunen

Leistung des Random Forest

Finales Klassifikationsmodell erstellen

Abschließende Modellleistung messen

Zusammenfassung

Klassifikationsmodelle erstellen, tunen und bewerten

Gapminder

Attrition

In diesem Kurs lernst du, die Tools des "tidyverse" zu nutzen, um Machine-Learning-Modelle zu erzeugen, zu untersuchen und zu bewerten. Mit einer Kombination aus den Paketen tidyr und purrr legst du die Basis, um mit komplexen Modellobjekten auf "tidy"-Art zu arbeiten. Außerdem lernst du, wie du das Paket broom einsetzt, um deine resultierenden Modelle zu erkunden. Anschließend erhältst du eine Einführung in die Tools des Test-Train-Validate-Workflows. Damit kannst du die Leistung von Klassifikations- und Regressionsmodellen bewerten und erhältst die nötigen Informationen, um die Modellgüte per Hyperparameter-Tuning zu optimieren.

Hey, willkommen im tidyverse! In diesem Kurs lernst du weiter über das Tidyverse und wendest dein Wissen auf Konzepte des maschinellen Lernens an.<br><br>
Dieser Kurs ist perfekt, wenn du die Tidyverse-Tools von R in deine Machine-Learning-Workflows einbauen willst. <br><br><h2>Maschinelle Lernmodelle bewerten</h2>
In diesem Kurs lernst du, wie du die Tidyverse-Tools in R nutzen kannst, um Machine-Learning-Modelle effizient zu erstellen, zu untersuchen und zu bewerten.<br><br>
Der Kurs fängt mit der Vorstellung des List Column Workflow (LCW) an, einer Methode, um mehrere Modelle in einem einzigen DataFrame zu verwalten. Es geht auch darum, wie man das Broom-Paket nutzen kann, um die Modellausgaben aufzuräumen und zu erkunden, damit die komplizierten Ergebnisse besser zu verstehen sind.<br><br><h2>Mit tidyr und purrr arbeiten</h2>
Mach praktische Übungen, zum Beispiel zum Erstellen und Bewerten von Regressions- und Klassifizierungsmodellen. Schau dir Techniken an, mit denen du Hyperparameter anpassen kannst, um die Leistung von Modellen zu verbessern.<br><br>
Du wirst Pakete wie tidyr und purrr nutzen, um komplexe Datenbearbeitungen und Modellbewertungen zu machen, und so einen ordentlichen und systematischen Ansatz für maschinelles Lernen sicherstellen.<br><br><h2>Praxisanwendungen</h2>
Schau dir Beispiele aus der Praxis in verschiedenen Fallstudien an, wie zum Beispiel die Verwendung des Gapminder-Datensatzes zur Vorhersage der Lebenserwartung mit linearen Modellen.<br><br>
Am Ende des Kurses hast du ein solides Fundament in der Anwendung der Tidyverse-Prinzipien auf maschinelles Lernen und kannst damit Modelle effizient, übersichtlich und reproduzierbar erstellen, optimieren und bewerten. 

Modeling with Data in the Tidyverse

Nutze tidyr und purrr im Tidyverse, um ML-Modelle zu erstellen, zu erkunden und zu bewerten.

Machine Learning im Tidyverse

Nutze die Pakete tidyr und purrr aus dem tidyverse, um Modelle für maschinelles Lernen zu erstellen, zu erkunden und zu bewerten.

Tidyverse Toolbox für Fortgeschrittene

Machine Learning Scientist mit R

Überwachtes Machine Learning in R

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

Building and tuning a random forest model

Cross Validation Performance

Linear Regression Model

Another Model

Random Forest Benefits

Basic Random Forest Tools

Build Basic Random Forest Models

ranger Hyper-Parameters

Tune The Hyper-Parameters

Let's practice!

Regressionsmodelle erstellen, tunen und bewerten - Ein Random-Forest-Modell erstellen und tunen

Ein Random-Forest-Modell erstellen und tunen

Create Your Free Account