Redo att bygga en riktig maskininlärningspipeline? Gå igenom steg-för-steg-övningar och lär dig att skapa beslutsträd, dela upp din data och förutsäga vilka patienter som löper störst risk att drabbas av diabetes. Avslutningsvis bygger du prestationsmått för att utvärdera dina modeller och bedöma dina förutsägelser.

Välkommen till kursen!

Varför trädbaserade metoder?

Specificera ditt träd

Träna modellen

Hur du bygger ditt beslutsträd

Tränings- och testuppdelning

Undvika klassobalans

Från noll till färdig modell

Förutsäg och utvärdera

Gör förutsägelser

Knäck matrisen

Förutsäger du rätt?

Klassificeringsträd

Redo att dyka in i regressionsträd? Använd ett dataset med chokladbetyg för att bygga regressionsträd och utvärdera deras prestanda med lämpliga felmått. Du övervinner de statistiska svagheterna hos enstaka tränings- och testuppdelningar genom att tillämpa tekniker som korsvalidering, och fördjupar dig ytterligare genom att bemästra avvägningen mellan bias och varians.

Kontinuerliga utfall

Träna ett regressionsträd

Förutsäg nya värden

Granska modellens utdata

Prestandamått för regressionsträd

Träningsprestation

Prestanda på ny data

Större fel, hårdare straff

Korsvalidering

Skapa vecken

Anpassa vecken

Utvärdera vikningarna

Bias-varians-avvägning

Rätt namn på rätt sak

Justera modellens komplexitet

Prestanda på tränings- och testdata

Regressionsträd och korsvalidering

Dags att ta hyperparametertuning och tolkning av ROC-kurvor (receiver operating characteristic) på allvar. I det här kapitlet utnyttjar du styrkan i ensemblemodeller som bagging och slumpskogar, och bygger ensembler som förutsäger vilka kreditkortskunder som är mest benägna att lämna.

Justera hyperparametrar

Skapa ett justeringsnät

Finjustera längs rutnätet

Välj den bästa modellen

Fler modellmått

Beräkna specificitet

Rita ROC-kurvan

Arean under ROC-kurvan

Baggade träd

Skapa baggade träd

In-sample ROC och AUC

Kontrollera för överanpassning

Slumpmässig skog

Baggade träd vs. random forest

Variabelviktighet

Hyperparametrar och ensemblemodeller

Redo för de mest avancerade trädbaserade modellerna? Tillämpa gradientboostning för att skapa kraftfulla ensembler som överträffar allt du tidigare sett eller byggt. Lär dig att finjustera dem och hur du jämför olika modeller för att välja den bästa för produktion.

Introduktion till boosting

Bagging vs. boosting

Specificera ett boostat ensemble

Gradientförstärkning

Träna ett boostat ensemble

Utvärdera ensemblen

Jämför med en enkel klassificerare

Optimera det boostade ensemblet

Förberedelse för finjustering

Själva justeringen

Färdigställ modellen

Modelljämförelse

Jämför AUC

Rita ROC-kurvor

Avslutning

Boostade träd

Diabetes risk

Chocolate ratings

Bank customer churn

Trädbaserade maskininlärningsmodeller kan avslöja komplexa icke-linjära samband i data och dominerar ofta maskininläringstävlingar. I den här kursen använder du paketet tidymodels för att utforska och bygga olika trädbaserade modeller – från enkla beslutsträd till komplexa slumpskogar. Du får också lära dig att använda boostade träd, en kraftfull maskininlärningsteknik som använder ensembleinlärning för att bygga högpresterande prediktiva modeller. Under kursens gång arbetar du med hälso- och kreditriskdata för att förutsäga förekomsten av diabetes och kundbortfall.

Modeling with tidymodels in R

Lär dig använda trädmodeller och ensembler för klassificering och regression med tidymodels.

Maskininlärning med trädbaserade modeller i R

Lär dig använda trädmodeller och ensembler för att göra klassificerings- och regressionsprediktioner med tidymodels.

Baggade träd

Create Your Free Account