Compară AUC

Compararea diferitelor modele este esența selecției modelelor. În ultimele două exerciții, vei efectua o comparație între toate tipurile de modele din acest curs: arbori de decizie, arbori cu bagging, păduri aleatoare și gradient boosting.

Toate modelele au fost ajustate fin și antrenate pe același set de antrenament, customers_train, iar predicțiile au fost generate pentru setul de date customers_test. Rezultatele sunt probabilități numerice și sunt disponibile ca preds_combined în sesiunea ta:

tibble [1,011 × 5]
 $ preds_tree    : 0.144 0.441 ...
 $ preds_bagging : 0.115 0.326 ...
 $ preds_forest  : 0 0 0 0.286 ...
 $ preds_boosting: 0.136 0.149 ...
 $ still_customer: "no","no", ...

Acest exercițiu face parte din cursul

Machine Learning cu modele bazate pe arbori în R

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Calculate the AUC for each model
auc_tree   <- ___(preds_combined, truth = ___, estimate = ___)
auc_bagged <- ___(preds_combined, truth = ___, estimate = ___)
auc_forest <- ___(preds_combined, truth = ___, estimate = ___)
auc_boost  <- ___(preds_combined, truth = ___, estimate = ___)

# Print the results
auc_tree
auc_bagged
auc_forest
auc_boost

Editează și rulează codul

Acest exercițiu face parte din cursul

Machine Learning cu modele bazate pe arbori în R

SkillTag.level.beginnerSkillTag.label

4.9+

Începe cursul gratuit

Ești pregătit să construiești un pipeline real de machine learning? Parcurge exerciții pas cu pas pentru a învăța cum să creezi arbori de decizie, să împarți datele și să prezici care pacienți sunt cei mai predispuși la diabet. La final, vei construi măsuri de performanță pentru a evalua modelele și a aprecia calitatea predicțiilor tale.

Exercise 1: Bun venit la curs!Exercise 2: De ce metode bazate pe arbori?Exercise 3: Specifică arborele Exercise 4: Antrenează modelul Exercise 5: Cum să îți construiești arborele Exercise 6: Împărțirea în set de antrenament/set de testare Exercise 7: Evitarea dezechilibrelor de clasă Exercise 8: De la zero la erou Exercise 9: Predicție și evaluare Exercise 10: Realizează predicții Exercise 11: Descifrează matricea Exercise 12: Faci predicții corecte?

Pregătit pentru ceva dulce? Folosește un set de date cu evaluări de ciocolată pentru a construi arbori de regresie și a le evalua performanța cu măsuri de eroare adecvate. Vei depăși incertitudinile statistice ale împărțirilor unice antrenament/testare aplicând tehnici precum validarea încrucișată, apoi vei aprofunda și mai mult conceptul de compromis dintre bias și varianță.

Exercise 1: Rezultate continue Exercise 2: Antrenează un arbore de regresie Exercise 3: Prezice valori noi Exercise 4: Inspectează rezultatul modelului Exercise 5: Măsuri de performanță pentru arborii de regresie Exercise 6: Performanța pe datele de antrenament Exercise 7: Performanța out-of-sample Exercise 8: Erori mai mari, penalizare mai mare Exercise 9: Validare încrucișată Exercise 10: Creează fold-urile Exercise 11: Antrenează foldurile Exercise 12: Evaluează fold-urile Exercise 13: Compromisul bias-varianță Exercise 14: Numește lucrurile pe nume Exercise 15: Ajustează complexitatea modelului Exercise 16: Performanță în eșantionul de antrenament și în afara lui

E momentul să te concentrezi serios pe ajustarea hiperparametrilor și pe interpretarea curbelor ROC (receiver operating characteristic). În acest capitol, vei valorifica puterea colectivă a modelelor ansamblu, precum bagging sau pădurile aleatoare, și vei construi ansambluri care prevăd care clienți cu card de credit sunt cei mai predispuși să renunțe la servicii.

Exercise 1: Ajustarea hiperparametrilor Exercise 2: Generează o grilă de ajustare Exercise 3: Reglaj pe grilă Exercise 4: Alege câștigătorul Exercise 5: Mai multe măsuri ale modelului Exercise 6: Calculează specificitatea Exercise 7: Trasează curba ROC Exercise 8: Aria de sub curba ROC Exercise 9: Arbori agregați (Bagging)Exercise 10: Creează modele bagged trees Exercise 11: ROC și AUC pe datele de antrenament Exercise 12: Verifică supraadaptarea Exercise 13: Pădure aleatorie Exercise 14: Arbori agregați vs. pădure aleatorie Exercise 15: Importanța variabilelor

Pregătit pentru cele mai avansate modele bazate pe arbori? Aplică gradient boosting pentru a crea ansambluri puternice care depășesc tot ceea ce ai văzut sau construit până acum. Vei învăța cum să le ajustezi și cum să compari diferite modele pentru a alege cel mai bun pentru producție.

Exercise 1: Introducere în boosting Exercise 2: Bagging vs. boosting Exercise 3: Specifică un ansamblu cu boosting Exercise 4: Gradient boosting Exercise 5: Antrenează un ansamblu boosted Exercise 6: Evaluează ansamblul Exercise 7: Comparație cu un clasificator simplu Exercise 8: Optimizează ansamblul boostat Exercise 9: Pregătirea reglajului Exercise 10: Reglajul propriu-zis Exercise 11: Finalizează modelul Exercise 12: Compararea modelelor Exercise 13: Compară AUC

Exercițiul curent

Exercise 14: Trasează curbele ROC Exercise 15: Recapitulare