Travaillez-vous parfois avec des ensembles de données comportant un nombre écrasant de caractéristiques ? Avez-vous besoin de toutes ces fonctionnalités ? Lesquels sont les plus importants ? Dans ce cours, vous apprendrez des techniques de réduction de dimensionnalité qui vous aideront à simplifier vos données et les modèles que vous construisez avec vos données, tout en préservant l’information contenue dans les données d’origine et une bonne performance prédictive.

Pourquoi apprendre la réduction de la dimensionnalité?

Nous vivons à l’ère de l’information — une époque de surcharge informationnelle. L’art d’extraire l’information essentielle des données est une compétence recherchée sur le marché. Les modèles s’entraînent plus rapidement sur des données réduites. En production, les modèles plus petits signifient un temps de réponse plus rapide. Peut-être plus important encore, les données et les modèles plus petits sont souvent plus faciles à comprendre. La réduction de dimensionnalité est votre rasoir d’Occam en science des données.

Que verrez-vous dans ce cours?

La différence entre la sélection de caractéristiques et l’extraction de caractéristiques ! Avec R, vous apprendrez à identifier et à supprimer les caractéristiques contenant peu d’information ou de l’information redondante, tout en conservant les caractéristiques les plus informatives. C’est la sélection des caractéristiques. Vous apprendrez également à extraire des combinaisons de caractéristiques sous forme de composants condensés qui contiennent un maximum d’information. C’est l’extraction automatique de caractéristiques!

Mais surtout, en utilisant le nouveau package tidymodel de R, vous utiliserez des données du monde réel pour créer des modèles avec moins de variables, sans sacrifier de façon importante la performance.

Type de sélection de caractéristiques avec un arbre de décision

Réduction de dimension en R

Exercice interactif pratique