This chapter will introduce you to the backbone of machine learning in the tidyverse, the List Column Workflow (LCW). The LCW will empower you to work with many models in one dataframe. <br> This chapter will also introduce you to the fundamentals of the broom package for exploring your models.

Foundations of "tidy" machine learning

Nesting your data

Unnesting your data

Explore a nested cell

The map family of functions

Mapping your data

Expecting mapped output

Mapping many models

Tidy your models with broom

The three ways to tidy your model

Extracting model statistics tidily

Augmenting your data

Foundations of "tidy" Machine learning

This chapter leverages the List Column Workflow to build and explore the attributes of 77 models. You will use the tools from the broom package to gain a multidimensional understanding of all of these models.

Mengeksplorasi koefisien di berbagai model

Rapikan koefisien model Anda

Apa yang dapat kita pelajari tentang 77 negara ini?

Mengevaluasi kecocokan banyak model

Sekilas tentang kecocokan model Anda

Model dengan kecocokan terbaik dan terburuk

Inspeksi visual kecocokan banyak model

Augment nilai fitted dari setiap model

Jelajahi model dengan kecocokan terbaik dan terburuk Anda

Perbaiki kecocokan model Anda

Bangun model yang lebih baik

Memprediksi masa depan

Multiple Models with broom

In this chapter you will learn how to use the List Column Workflow to build, tune and evaluate regression models. You will have the chance to work with two types of models: linear models and random forest models.

Training, test and validation splits

The test-train split

Cross-validation data frames

Measuring cross-validation performance

Build cross-validated models

Preparing for evaluation

Evaluate model performance

Building and tuning a random forest model

Build a random forest model

Evaluate a random forest model

Fine tune your model

The best performing parameter

Measuring the test performance

Build & evaluate the best model

Build, Tune & Evaluate Regression Models

In this chapter you will shift gears to build, tune and evaluate classification models.

Logistic regression models

Prepare train-test-validate parts

Evaluating classification models

Predictions of a single model

Performance of a single model

Prepare for cross-validated performance

Calculate cross-validated performance

Random forest for classification

Tune random forest models

Random forest performance

Build final classification model

Measure final model performance

Wrap-up

Build, Tune & Evaluate Classification Models

Gapminder

Attrition

Kursus ini akan mengajarkan Anda memanfaatkan alat di "tidyverse" untuk membangun, mengeksplorasi, dan mengevaluasi model Machine Learning. Dengan memadukan paket tidyr dan purrr, Anda akan membangun dasar cara bekerja dengan objek model yang kompleks secara "rapi". Anda juga akan mempelajari cara memanfaatkan paket broom untuk mengeksplorasi model yang dihasilkan. Selanjutnya, Anda akan diperkenalkan pada alat dalam alur kerja train-test-validate, yang memungkinkan Anda mengevaluasi kinerja model klasifikasi dan regresi serta memberikan informasi yang diperlukan untuk mengoptimalkan kinerja model melalui penyetelan hyperparameter.

Selamat datang di tidyverse! Dalam kursus ini, Anda akan melanjutkan perjalanan Anda untuk mempelajari tidyverse dan menerapkan pengetahuan Anda pada konsep-konsep machine learning.<br><br>
Kursus ini sangat cocok jika Anda ingin mengintegrasikan alat-alat Tidyverse dari R ke dalam alur kerja machine learning Anda. <br><br><h2>Evaluasi model pembelajaran mesin</h2>
Selama kursus ini, Anda akan fokus pada penggunaan alat-alat tidyverse dalam R untuk membangun, mengeksplorasi, dan mengevaluasi model pembelajaran mesin secara efisien.<br><br>
Kursus ini dimulai dengan memperkenalkan List Column Workflow (LCW), sebuah metode untuk mengelola beberapa model dalam satu dataframe. Hal ini juga mencakup penggunaan paket broom untuk membersihkan dan mengeksplorasi hasil model, sehingga hasil yang kompleks menjadi lebih mudah dipahami.<br><br><h2>Menggunakan tidyr dan purrr</h2>
Lakukan latihan praktis termasuk membangun dan mengevaluasi model regresi serta model klasifikasi. Jelajahi teknik untuk menyesuaikan hiperparameter guna mengoptimalkan kinerja model.<br><br>
Anda akan menggunakan paket seperti tidyr dan purrr untuk menangani manipulasi data yang kompleks dan evaluasi model, memastikan pendekatan yang rapi dan sistematis dalam machine learning.<br><br><h2>Dapatkan penerapan di dunia nyata</h2>
Jelajahi contoh-contoh nyata melalui berbagai studi kasus, seperti menggunakan dataset Gapminder untuk memprediksi harapan hidup dengan model linier.<br><br>
Pada akhir kursus ini, Anda akan memiliki dasar yang kuat dalam menerapkan prinsip-prinsip Tidyverse pada machine learning, sehingga dapat membangun, menyesuaikan, dan mengevaluasi model secara efisien dengan cara yang rapi dan dapat direproduksi. 

Modeling with Data in the Tidyverse

Gunakan paket tidyr dan purrr di tidyverse untuk membuat, mengeksplorasi, dan mengevaluasi model ML.

Machine Learning di Tidyverse

Manfaatkan paket tidyr dan purrr dalam tidyverse untuk menghasilkan, mengeksplorasi, dan mengevaluasi model pembelajaran mesin.

Kotak Alat Tidyverse Tingkat Menengah

Ilmuwan Pembelajaran Mesin di R

Pembelajaran Mesin Terawasi di R

Country	Adjusted \(R^2\)
Brazil	0.9994261
Greece	0.9994407
Mexico	0.9995427
Morocco	0.9997960

Memprediksi masa depan

Machine Learning di Tidyverse

Latihan interaktif praktis