Ready to build a real machine learning pipeline? Complete step-by-step exercises to learn how to create decision trees, split your data, and predict which patients are most likely to suffer from diabetes. Last but not least, you’ll build performance measures to assess your models and judge your predictions.

Welcome to the course!

Why tree-based methods?

Specify that tree

Train that model

How to grow your tree

Train/test split

Avoiding class imbalances

From zero to hero

Predict and evaluate

Make predictions

Crack the matrix

Are you predicting correctly?

Classification Trees

Ready for some candy? Use a chocolate rating dataset to build regression trees and assess their performance using suitable error measures. You’ll overcome statistical insecurities of single train/test splits by applying sweet techniques like cross-validation and then dive even deeper by mastering the bias-variance tradeoff.

Continuous outcomes

Train a regression tree

Predict new values

Inspect model output

Performance metrics for regression trees

In-sample performance

Out-of-sample performance

Bigger mistakes, bigger penalty

Cross-validation

Create the folds

Fit the folds

Evaluate the folds

Bias-variance tradeoff

Call things by their names

Adjust model complexity

In-sample and out-of-sample performance

Regression Trees and Cross-Validation

Time to get serious with tuning your hyperparameters and interpreting receiver operating characteristic (ROC) curves. In this chapter, you’ll leverage the wisdom of the crowd with ensemble models like bagging or random forests and build ensembles that forecast which credit card customers are most likely to churn.

Hiperparametreleri ayarlama

Bir ayar ızgarası oluştur

Izgara boyunca ayarla

Kazananı seç

Daha fazla model ölçütü

Özgüllüğü (specificity) hesapla

ROC eğrisini çiz

ROC eğrisi altında kalan alan

Torbalanmış ağaçlar

Bagging ağaçları oluştur

Örnek içi ROC ve AUC

Aşırı uyumu kontrol et

Rastgele orman

Çantalanmış ağaçlar ve rastgele orman

Değişken önemi

Hyperparameters and Ensemble Models

Ready for the high society of tree-based models? Apply gradient boosting to create powerful ensembles that perform better than anything that you have seen or built. Learn about their fine-tuning and how to compare different models to pick a winner for production.

Introduction to boosting

Bagging vs. boosting

Specify a boosted ensemble

Gradient boosting

Train a boosted ensemble

Evaluate the ensemble

Compare to a single classifier

Optimize the boosted ensemble

Tuning preparation

The actual tuning

Finalize the model

Model comparison

Compare AUC

Plot ROC curves

Wrap-up

Boosted Trees

Chocolate ratings

Diabetes risk

Bank customer churn

Ağaç tabanlı Machine Learning modelleri, verideki karmaşık doğrusal olmayan ilişkileri ortaya çıkarabilir ve çoğu zaman Machine Learning yarışmalarında öne çıkar. Bu derste, tidymodels paketini kullanarak basit karar ağaçlarından karmaşık rastgele ormanlara kadar farklı ağaç tabanlı modelleri keşfedecek ve kuracaksın. Ayrıca, yüksek performanslı kestirim modelleri oluşturmak için topluluk öğrenmesini kullanan güçlü bir Machine Learning tekniği olan artırılmış ağaçları da öğreneceksin. Bu süreçte, diyabet görülme olasılığını ve müşteri kaybını tahmin etmek için sağlık ve kredi riski verileriyle çalışacaksın.

Modeling with tidymodels in R

Tidymodels ile ağaç tabanlı modeller ve topluluklar kullanarak sınıflandırma ve regresyon yapın.

R ile Ağaç Tabanlı Modellerle Machine Learning

Tidymodels ile sınıflandırma ve regresyon tahminleri yapmak için ağaç tabanlı modeller ve kümeleri kullanmayı öğrenin.

Makine Öğrenimi Temelleri in R

Makine Öğrenimi Bilim İnsanı in R

Denetimli Makine Öğrenimi in R

Çantalanmış ağaçlar ve rastgele orman

R ile Ağaç Tabanlı Modellerle Machine Learning

Uygulamalı interaktif egzersiz