Değişken önemi

Bagging (torbalama) ağaçlarının, karar ağaçlarının varyans sorununu aşan bir topluluk (ensemble) modeli olduğunu zaten biliyorsun. Random forest algoritmasının ise her ağaçta yalnızca rastgele bir özellik altkümesini kullanarak bunu daha da geliştirdiğini öğrendin. Bu yaklaşım, topluluk üyeleri arasındaki korelasyonu daha da azaltır ve tahmin performansını artırır.

Bu egzersizde kendi random forest modelini kuracak ve vip paketini kullanarak değişkenlerin önemini görselleştireceksin. Eğitim verisi customers_train çalışma alanında önceden yüklü.

Bu egzersiz

R ile Ağaç Tabanlı Modellerle Machine Learning

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

"ranger" motorunu ve "impurity" değişken önemini kullanarak bir random forest sınıflandırma modelinin belirtimi olan spec'i oluştur.
still_customer'ı çıktı, diğer tüm sütunları ise tahmin değişkenleri olarak kullanıp tibble customers_train'ı spec'e uydurarak model'i oluştur.
Değişken önemini, önceden yüklenmemiş olan vip paketindeki vip() fonksiyonuyla görselleştir.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Specify a random forest
spec <- ___ %>%
	set_mode("classification") %>%
    set_engine(___, importance = ___)

# Train the forest
model <- spec %>%
    fit(___,
        ___)

# Plot the variable importance
vip::___(model)

Kodu Düzenle ve Çalıştır

Bu egzersiz

R ile Ağaç Tabanlı Modellerle Machine Learning

kursunun bir parçasıdır

InicianteNível de habilidade

4.9+

Kursa Ücretsiz Başlayın

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.

Exercise 1: Welcome to the course!Exercise 2: Why tree-based methods?Exercise 3: Specify that tree Exercise 4: Train that model Exercise 5: How to grow your tree Exercise 6: Train/test split Exercise 7: Avoiding class imbalances Exercise 8: From zero to hero Exercise 9: Predict and evaluate Exercise 10: Make predictions Exercise 11: Crack the matrix Exercise 12: Are you predicting correctly?

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.

Exercise 1: Continuous outcomes Exercise 2: Train a regression tree Exercise 3: Predict new values Exercise 4: Inspect model output Exercise 5: Performance metrics for regression trees Exercise 6: In-sample performance Exercise 7: Out-of-sample performance Exercise 8: Bigger mistakes, bigger penalty Exercise 9: Cross-validation Exercise 10: Create the folds Exercise 11: Fit the folds Exercise 12: Evaluate the folds Exercise 13: Bias-variance tradeoff Exercise 14: Call things by their names Exercise 15: Adjust model complexity Exercise 16: In-sample and out-of-sample performance

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.

Exercise 1: Hiperparametreleri ayarlama Exercise 2: Bir ayar ızgarası oluştur Exercise 3: Izgara boyunca ayarla Exercise 4: Kazananı seç Exercise 5: Daha fazla model ölçütü Exercise 6: Özgüllüğü (specificity) hesapla Exercise 7: ROC eğrisini çiz Exercise 8: ROC eğrisi altında kalan alan Exercise 9: Torbalanmış ağaçlar Exercise 10: Bagging ağaçları oluştur Exercise 11: Örnek içi ROC ve AUC Exercise 12: Aşırı uyumu kontrol et Exercise 13: Rastgele orman Exercise 14: Çantalanmış ağaçlar ve rastgele orman Exercise 15: Değişken önemi

Geçerli Egzersiz

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.

Exercise 1: Introduction to boosting Exercise 2: Bagging vs. boosting Exercise 3: Specify a boosted ensemble Exercise 4: Gradient boosting Exercise 5: Train a boosted ensemble Exercise 6: Evaluate the ensemble Exercise 7: Compare to a single classifier Exercise 8: Optimize the boosted ensemble Exercise 9: Tuning preparation Exercise 10: The actual tuning Exercise 11: Finalize the model Exercise 12: Model comparison Exercise 13: Compare AUC Exercise 14: Plot ROC curves Exercise 15: Wrap-up