In dit hoofdstuk maak je kennis met de ruggengraat van Machine Learning in de tidyverse: de List Column Workflow (LCW). Met de LCW kun je met veel modellen in één dataframe werken. <br> Je maakt ook kennis met de basis van het broom-pakket om je modellen te verkennen.

Fundamenten van "tidy" Machine Learning

Je data nesten

Je data uitvouwen (unnesten)

Verken een geneste cel

De map-functiefamilie

Je data mappen

Verwacht gemapte output

Meerdere modellen mappen

Maak je modellen netjes met broom

De drie manieren om je model op te schonen

Modelstatistieken netjes extraheren

Je data uitbreiden (augment)

Basis van "tidy" Machine Learning

Dit hoofdstuk gebruikt de List Column Workflow om 77 modellen te bouwen en hun eigenschappen te verkennen. Je gebruikt de tools uit het broom-pakket om een multidimensionaal beeld van al deze modellen te krijgen.

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

Meerdere modellen met broom

In dit hoofdstuk leer je hoe je de List Column Workflow gebruikt om regressiemodellen te bouwen, af te stemmen en te evalueren. Je gaat aan de slag met twee soorten modellen: lineaire modellen en random-forestmodellen.

Training-, test- en validatiesplitsingen

De test-train-split

Cross-validation-dataframes

De prestatie van cross-validatie meten

Cross-validated modellen bouwen

Voorbereiden op evaluatie

Modelprestaties evalueren

Een random forest-model bouwen en afstemmen

Bouw een random forest-model

Evalueer een random forest-model

Fijn-afstemmen van je model

De best presterende parameter

De testprestatie meten

Bouw en evalueer het beste model

Regressiemodellen bouwen, afstemmen en evalueren

In dit hoofdstuk schakel je over naar het bouwen, afstemmen en evalueren van classificatiemodellen.

Logistische regressiemodellen

Train-test-validate-sets voorbereiden

Bouw modellen met kruisvalidatie

Classificatiemodellen evalueren

Voorspellingen van één model

Prestaties van één model

Voorbereiden op kruis-gevalideerde prestaties

Bereken de cross-validated prestatie

Random forest voor classificatie

Random forest-modellen afstemmen

Prestaties van random forest

Eindmodel voor classificatie bouwen

Meet de uiteindelijke modelprestatie

Afronding

Classificatiemodellen bouwen, afstemmen en evalueren

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

Interactieve oefening met praktijkervaring