이 챕터에서는 tidyverse 기반 머신러닝의 핵심인 List Column Workflow(LCW)를 소개합니다. LCW를 사용하면 하나의 데이터프레임 안에서 여러 모델을 효율적으로 다룰 수 있습니다. <br> 또한 모델을 탐색하기 위한 broom 패키지의 기본 개념도 함께 배웁니다.

"tidy" Machine Learning의 기초

데이터 중첩하기

데이터 중첩 해제하기

중첩 셀 탐색하기

map 함수 패밀리

데이터에 map() 적용하기

매핑 출력 결과 예측하기

여러 모델 매핑하기

broom으로 모델 정리하기

모델을 정리하는 세 가지 방법

모델 통계를 깔끔하게 추출하기

데이터 보강하기

이 챕터에서는 List Column Workflow를 활용하여 77개의 모델을 구축하고, 각 모델의 속성을 탐색합니다. broom 패키지의 도구를 사용해 모든 모델을 다각도로 이해하는 방법을 익힙니다.

여러 모델의 계수 탐색

모델 계수를 깔끔하게 정리하기

77개국에서 무엇을 알 수 있을까요?

다양한 모델의 적합도 평가하기

모델 적합도를 glance()로 살펴보기

적합도가 가장 높은 모델과 낮은 모델

다양한 모델의 적합도를 시각적으로 살펴보기

각 모델의 적합값 보강하기

가장 잘 맞는 모델과 가장 잘 맞지 않는 모델 탐색

모델의 적합도 개선하기

더 나은 모델 구축하기

미래 예측하기

broom으로 다양한 모델 다루기

이 챕터에서는 List Column Workflow를 사용하여 회귀 모델을 구축하고, 튜닝하고, 평가하는 방법을 배웁니다. 선형 모델과 랜덤 포레스트 모델, 두 가지 유형의 모델을 직접 다뤄볼 수 있습니다.

훈련, 테스트 및 검증 데이터 분할

테스트-훈련 데이터 분할

교차 검증 데이터 프레임

교차 검증 성능 측정

교차 검증 모델 구축

평가 준비하기

모델 성능 평가

랜덤 포레스트 모델 구축 및 튜닝

랜덤 포레스트 모델 구축

랜덤 포레스트 모델 평가하기

모델 세부 튜닝

최적의 파라미터 찾기

테스트 성능 측정하기

최적 모델 구축 및 평가

회귀 모델 구축, 튜닝 및 평가

이 챕터에서는 방향을 바꿔 분류 모델을 구축하고, 튜닝하고, 평가하는 방법을 배웁니다.

로지스틱 회귀 모델

훈련-테스트-검증 데이터 준비하기

교차 검증 모델 구축하기

분류 모델 평가하기

단일 모델의 예측

단일 모델의 성능 평가

교차 검증 성능 평가 준비

교차 검증 성능 계산하기

분류를 위한 랜덤 포레스트(Random Forest)

랜덤 포레스트 모델 튜닝

랜덤 포레스트 성능

최종 분류 모델 구축

최종 모델 성능 측정

마무리

분류 모델 구축, 튜닝 및 평가

Gapminder

Attrition

이 강의에서는 "tidyverse"의 도구를 활용하여 머신러닝 모델을 생성하고, 탐색하고, 평가하는 방법을 배웁니다. tidyr과 purrr 패키지를 함께 사용하여 복잡한 모델 객체를 "tidy" 방식으로 다루는 기초를 쌓게 됩니다. 또한 broom 패키지를 활용해 모델 결과를 탐색하는 방법도 배웁니다. 이후에는 훈련-테스트-검증 워크플로를 소개하며, 분류 모델과 회귀 모델의 성능을 평가하고 하이퍼파라미터 튜닝을 통해 모델 성능을 최적화하는 방법을 익히게 됩니다.

tidyverse에 오신 것을 환영합니다! 이 강의에서는 tidyverse 학습 여정을 이어가며, 배운 내용을 머신 러닝 개념에 적용하게 됩니다.<br><br>
이 강의는 머신 러닝 워크플로에 R의 Tidyverse 도구를 통합하고자 하는 분들에게 이상적입니다. <br><br><h2>머신 러닝 모델 평가</h2>
이 강의 전반에 걸쳐 R의 tidyverse 도구를 활용하여 머신 러닝 모델을 효율적으로 구축하고, 탐색하고, 평가하는 데 집중하게 됩니다.<br><br>
강의는 단일 데이터프레임에서 여러 모델을 관리하는 방법인 리스트 컬럼 워크플로(LCW)를 소개하는 것으로 시작합니다. 또한 broom 패키지를 사용해 모델 결과를 정리하고 탐색하는 방법도 다루어, 복잡한 결과를 더 쉽게 해석할 수 있게 합니다.<br><br><h2>tidyr와 purrr 활용하기</h2>
회귀 및 분류 모델을 구축하고 평가하는 것을 포함한 실습 과제를 진행합니다. 모델 성능을 최적화하기 위해 하이퍼파라미터를 튜닝하는 기법을 살펴보세요.<br><br>
tidyr와 purrr 같은 패키지를 사용해 복잡한 데이터 조작과 모델 평가를 처리하며, 머신 러닝에 대해 깔끔하고 체계적인 접근 방식을 보장합니다.<br><br><h2>실무 적용 능력을 키우세요</h2>
gapminder 데이터세트를 사용해 선형 모델로 기대 수명을 예측하는 등 여러 사례 연구를 통해 실제 사례를 살펴보세요.<br><br>
강의가 끝날 무렵에는 Tidyverse 원칙을 머신 러닝에 적용하는 탄탄한 기초를 갖추게 되어, 깔끔하고 재현 가능한 방식으로 모델을 효율적으로 구축, 튜닝, 평가할 수 있게 됩니다. 

Modeling with Data in the Tidyverse

tidyverse의 tidyr와 purrr 패키지를 활용하여 머신러닝 모델을 생성, 탐색 및 평가하세요.

Tidyverse로 배우는 Machine Learning

tidyr와 purrr 패키지를 tidyverse에서 활용해 머신 러닝 모델을 생성, 탐색, 평가합니다.

중급 Tidyverse 툴박스

머신 러닝 과학자 in R

지도 머신 러닝 in R

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

여러 모델의 적합도 평가

모델의 적합도

모델 전체에 glance 적용

연습해 봅시다!

broom으로 다양한 모델 다루기 - 다양한 모델의 적합도 평가하기

다양한 모델의 적합도 평가하기

Create Your Free Account