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.

Coefficiënten vergelijken tussen modellen

Maak de coëfficiënten van je modellen netjes

Wat kunnen we leren over deze 77 landen?

De passing van veel modellen evalueren

Neem een snelle blik op de fit van je modellen

Best en slechtst passende modellen

De passing van veel modellen visueel inspecteren

Augmenteer de voorspelde waarden van elk model

Onderzoek je best en slechtst passende modellen

Verbeter de fit van je modellen

Betere modellen bouwen

De toekomst voorspellen

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

In deze cursus leer je hoe je de tools in de "tidyverse" inzet om machinelearningmodellen te genereren, te verkennen en te evalueren. Met een combinatie van de pakketten tidyr en purrr leg je de basis om met complexe modelobjecten op een "tidy" manier te werken. Je leert ook hoe je het broom-pakket gebruikt om je resulterende modellen te verkennen. Daarna maak je kennis met de tools in de test-train-validate-workflow, zodat je de prestaties van zowel classificatie- als regressiemodellen kunt evalueren en de nodige informatie krijgt om de modelprestaties te optimaliseren via hyperparameter-tuning.

Hey, welkom bij tidyverse! In deze cursus ga je verder met je reis om de tidyverse te leren kennen en je kennis toe te passen op machine learning-concepten.<br><br>
Deze cursus is perfect als je de Tidyverse-tools van R wilt gebruiken in je machine learning-werkprocessen. <br><br><h2>Machine learning-modellen evalueren</h2>
Tijdens deze cursus ga je je richten op het gebruik van de tidyverse-tools in R om op een efficiënte manier machine learning-modellen te bouwen, te verkennen en te evalueren.<br><br>
De cursus begint met een introductie van de List Column Workflow (LCW), een manier om meerdere modellen in één dataframe te beheren. Het behandelt ook het gebruik van het broom-pakket om modeloutputs op te ruimen en te verkennen, waardoor de complexe resultaten beter te begrijpen zijn.<br><br><h2>Tidyr en purrr gebruiken</h2>
Doe mee met praktische oefeningen, zoals het bouwen en evalueren van regressie- en classificatiemodellen. Check uit hoe je hyperparameters kunt aanpassen om je model beter te laten werken.<br><br>
Je gaat pakketten als tidyr en purrr gebruiken om complexe gegevensbewerkingen en modelevaluaties te doen, zodat je een nette en systematische aanpak van machine learning hebt.<br><br><h2>Krijg praktijkervaring</h2>
Bekijk echte voorbeelden via verschillende casestudy's, zoals het gebruik van de Gapminder-dataset om de levensverwachting te voorspellen met lineaire modellen.<br><br>
Aan het einde van de cursus heb je een stevige basis in het toepassen van Tidyverse-principes op machine learning, waardoor je op een overzichtelijke en reproduceerbare manier efficiënt modellen kunt bouwen, afstemmen en evalueren. 

Modeling with Data in the Tidyverse

Gebruik tidyr en purrr in tidyverse om machine learning-modellen te maken, verkennen en evalueren.

Machine Learning in de tidyverse

Gebruik de pakketten tidyr en purrr in de tidyverse om machine learning-modellen te maken, te bekijken en te beoordelen.

Tidyverse-toolbox voor gevorderden

Wetenschapper op het gebied van machine learning in R

Begeleid machine learning in R

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

De toekomst voorspellen

Machine Learning in de tidyverse

Praktische interactieve oefening