Det här kapitlet introducerar dig till grunden för maskininlärning i tidyverse: List Column Workflow (LCW). LCW ger dig möjlighet att arbeta med många modeller i en och samma dataram. <br> Kapitlet introducerar dig också till grunderna i paketet broom för att utforska dina modeller.

Grunder i "tidy" maskininlärning

Nästla din data

Packa upp din data

Utforska en nästlad cell

Map-funktionsfamiljen

Mappa dina data

Förväntad mappningsutdata

Mappa många modeller

Städa upp dina modeller med broom

De tre sätten att städa upp din modell

Extrahera modellstatistik på ett tidy-sätt

Utöka dina data

Det här kapitlet använder List Column Workflow för att bygga och utforska egenskaperna hos 77 modeller. Du använder verktygen från paketet broom för att få en mångdimensionell förståelse av samtliga modeller.

Utforska koefficienter över modeller

Städa upp koefficienterna i dina modeller

Vad kan vi lära oss om dessa 77 länder?

Utvärdera anpassningen av många modeller

Granska hur väl dina modeller passar

Bäst och sämst anpassade modeller

Granska anpassningen av många modeller visuellt

Utöka de anpassade värdena för varje modell

Utforska dina bäst och sämst anpassade modeller

Förbättra anpassningen av dina modeller

Bygg bättre modeller

Att förutsäga framtiden

Flera modeller med broom

I det här kapitlet lär du dig att använda List Column Workflow för att bygga, justera och utvärdera regressionsmodeller. Du får möjlighet att arbeta med två typer av modeller: linjära modeller och random forest-modeller.

Tränings-, test- och valideringsuppdelningar

Uppdelning i tränings- och testdata

Dataramar för korsvalidering

Mäta korsvalideringsprestanda

Bygg korsvaliderade modeller

Förberedelse inför utvärdering

Utvärdera modellens prestanda

Bygga och finjustera en random forest-modell

Bygg en random forest-modell

Utvärdera en random forest-modell

Finjustera din modell

Den bäst presterande parametern

Mäta testprestanda

Bygg och utvärdera den bästa modellen

Bygg, justera och utvärdera regressionsmodeller

I det här kapitlet riktar du in dig på att bygga, justera och utvärdera klassificeringsmodeller.

Logistiska regressionsmodeller

Förbered tränings-, test- och valideringsdelar

Utvärdera klassificeringsmodeller

Prediktioner från en enskild modell

Prestanda för en enskild modell

Förbered för korsvaliderad prestanda

Beräkna korsvaliderad prestanda

Slumpmässig skog för klassificering

Finjustera random forest-modeller

Prestanda för random forest

Bygg den slutliga klassificeringsmodellen

Mät slutmodellens prestanda

Avslutning

Bygg, justera och utvärdera klassificeringsmodeller

Gapminder

Attrition

I den här kursen lär du dig att använda verktygen i "tidyverse" för att skapa, utforska och utvärdera maskininlärningsmodeller. Med en kombination av paketen tidyr och purrr bygger du upp en grund för hur man arbetar med komplexa modellobjekt på ett "tidy"-sätt. Du lär dig också att använda paketet broom för att utforska dina modeller. Därefter introduceras du till verktygen i ett träna-testa-validera-flöde, som ger dig möjlighet att utvärdera prestandan hos både klassificerings- och regressionsmodeller samt den information som krävs för att optimera modellprestandan via hyperparameterjustering.

Modeling with Data in the Tidyverse

Använd tidyr och purrr i tidyverse för att skapa, utforska och utvärdera maskininlärningsmodeller.

Maskininlärning med Tidyverse

Använd paketen tidyr och purrr i tidyverse för att generera, utforska och utvärdera maskininlärningsmodeller.

Mellanliggande Tidyverse-verktygslåda

Maskininlärningsforskare i R

Övervakad maskininlärning i R

Land	Justerat \(R^2\)
Brasilien	0,9994261
Grekland	0,9994407
Mexiko	0,9995427
Marocko	0,9997960

Att förutsäga framtiden

Maskininlärning med Tidyverse

Interaktiv övning med praktiskt arbete