Bir regresyon ağacı eğit

Bildiğin gibi, karar ağaçları sınıflandırma problemleri için kullanışlı bir araçtır. Dahası, regresyon problemlerini modellemek için de kullanabilirsin. Yapısal fark, yaprak düğümlerde sınıflar yerine sayısal değerler olmasıdır.

Bu egzersizde, çikolata veri kümesini kullanarak bir regresyon ağacı kuracaksın. Bu, 1. Bölümde diabetes veri kümesiyle yaptıklarına oldukça benzer.

Çalışma alanında chocolate_train adlı eğitim verisi hazır.

Bu egzersiz, kursun bir parçasıdır

R ile Ağaç Tabanlı Modellerle Machine Learning

Kursa Göz Atın

Egzersiz talimatları

model_spec adında bir regresyon ağacı belirtimi oluştur.
chocolate_train veri çerçevesini kullanarak, verideki yalnızca sayısal yordayıcılarla final_grade değişkenini tahmin eden bir regresyon ağacını model_spec ile eğit.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

library(tidymodels)

# Build the specification
model_spec <- decision_tree() %>%
  set_mode(___) %>%
  set_engine(___)

# Fit to the data
model_fit <- model_spec %>%
  ___(formula = ___,
      data = ___)

model_fit

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

R ile Ağaç Tabanlı Modellerle Machine Learning

InicianteNível de habilidade

4.9+

Kursa Ücretsiz Başla

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: Sürekli çıktılar Exercise 2: Bir regresyon ağacı eğit

Geçerli egzersiz

Exercise 3: Yeni değerleri tahmin et Exercise 4: Model çıktısını incele Exercise 5: Regresyon ağaçları için performans ölçütleri Exercise 6: Örnek içi performans Exercise 7: Örnek dışı performans Exercise 8: Büyük hatalar, büyük ceza Exercise 9: Çapraz doğrulama Exercise 10: Katmanları oluştur Exercise 11: Katları uydur Exercise 12: Katlamaları değerlendir Exercise 13: Sapma-varyans dengesi Exercise 14: Adlarıyla çağır Exercise 15: Model karmaşıklığını ayarla Exercise 16: Örnek içi ve örnek dışı performans

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: Tuning hyperparameters Exercise 2: Generate a tuning grid Exercise 3: Tune along the grid Exercise 4: Pick the winner Exercise 5: More model measures Exercise 6: Calculate specificity Exercise 7: Draw the ROC curve Exercise 8: Area under the ROC curve Exercise 9: Bagged trees Exercise 10: Create bagged trees Exercise 11: In-sample ROC and AUC Exercise 12: Check for overfitting Exercise 13: Random forest Exercise 14: Bagged trees vs. random forest Exercise 15: Variable importance

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