De ce metode bazate pe arbori?

Modelele bazate pe arbori reprezintă o clasă de metode utilizate în învățarea automată. Au multe avantaje, dar și dezavantaje.

Care dintre afirmațiile de mai jos sunt adevărate și care sunt false?

Acest exercițiu face parte din cursul

Machine Learning cu modele bazate pe arbori în R

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

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?

Exercițiul curent

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 Exercise 14: Trasează curbele ROC Exercise 15: Recapitulare