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.

Exploring coefficients across models

Tidy up the coefficients of your models

What can we learn about these 77 countries?

Evaluating the fit of many models

Glance at the fit of your models

Best and worst fitting models

Visually inspect the fit of many models

Augment the fitted values of each model

Explore your best and worst fitting models

Improve the fit of your models

Build better models

Predicting the future

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.

Suddivisioni in training, test e validazione

La suddivisione train-test

Data frame per la cross validation

Misurare le prestazioni della cross-validation

Crea modelli con cross-validation

Prepararsi alla valutazione

Valuta le prestazioni del modello

Creare e ottimizzare un modello Random Forest

Crea un modello random forest

Valuta un modello random forest

Affina il tuo modello

Il parametro con prestazioni migliori

Misurare le prestazioni sul test

Crea e valuta il modello migliore

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

Build cross-validated models

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

Questo corso ti insegnerà a sfruttare gli strumenti del "tidyverse" per generare, esplorare e valutare modelli di Machine Learning. Combinando i pacchetti tidyr e purrr, costruirai le basi per lavorare con oggetti modello complessi in modo "tidy". Imparerai anche a usare il pacchetto broom per esplorare i modelli risultanti. Infine, verranno introdotti gli strumenti del flusso di lavoro test-train-validate, che ti permetteranno di valutare le prestazioni sia dei modelli di classificazione sia di regressione e di ottimizzarne le performance tramite la regolazione degli iperparametri.

Ciao, benvenuto nel mondo di tidyverse! In questo corso continuerai il tuo percorso di apprendimento del tidyverse e applicherai le tue conoscenze ai concetti di machine learning.<br><br>
Questo corso è perfetto se vuoi integrare gli strumenti Tidyverse di R nei tuoi flussi di lavoro di machine learning. <br><br><h2>Valutare i modelli di apprendimento automatico</h2>
Durante questo corso ti concentrerai sull'utilizzo degli strumenti tidyverse in R per creare, esplorare e valutare in modo efficiente i modelli di machine learning.<br><br>
Il corso inizia con una presentazione del List Column Workflow (LCW), un modo per gestire più modelli all'interno di un unico dataframe. Si parla anche di come usare il pacchetto broom per sistemare ed esplorare i risultati dei modelli, rendendo più facili da capire i risultati complicati.<br><br><h2>Usare tidyr e purrr</h2>
Fai un po' di pratica con esercizi pratici, tipo costruire e valutare modelli di regressione e classificazione. Scopri come regolare gli iperparametri per migliorare le prestazioni del modello.<br><br>
Userai pacchetti come tidyr e purrr per gestire manipolazioni di dati complesse e valutazioni di modelli, assicurando un approccio ordinato e sistematico all'apprendimento automatico.<br><br><h2>Ottieni un'applicazione nel mondo reale</h2>
Scopri esempi reali attraverso diversi casi di studio, come usare il set di dati Gapminder per prevedere l'aspettativa di vita con modelli lineari.<br><br>
Alla fine del corso, avrai una solida base nell'applicazione dei principi di Tidyverse all'apprendimento automatico, che ti permetterà di costruire, mettere a punto e valutare modelli in modo efficiente, ordinato e riproducibile. 

Modeling with Data in the Tidyverse

Usa i pacchetti tidyr e purrr nel tidyverse per creare, esplorare e valutare modelli di machine learning.

Machine Learning nel tidyverse

Usa i pacchetti tidyr e purrr di tidyverse per creare, esplorare e valutare modelli di machine learning.

Cassetta degli attrezzi Tidyverse intermedia

Scienziato dell'apprendimento automatico in R

Apprendimento automatico supervisionato in R

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

Measuring cross-validation performance

Measuring Performance

Measuring Performance - Truth

Measuring Performance - Prediction

Mean Absolute Error

Ingredients for Performance Measurement

1) Extract the actual values

The predict() & map2() functions

2) Prepare the predicted values

3) Calculate MAE

Let's practice!

Build, Tune & Evaluate Regression Models - Misurare le prestazioni della cross-validation

Misurare le prestazioni della cross-validation

Create Your Free Account