本章將介紹 tidyverse 中機器學習的核心：List Column Workflow（LCW）。LCW 能讓你在單一 dataframe 中處理多個模型。<br> 本章也會帶你認識使用 broom 套件探索模型的基本觀念。

「tidy」機器學習的基礎

將資料巢狀化

將資料取消巢狀化

探索巢狀儲存的儲存格

map 函式家族

對資料做對應運算（Mapping your data）

預期的對映輸出

對多個模型進行對映

用 broom 讓模型變得整齊（tidy）

整理模型的三種方式

以 tidy 方式擷取模型統計量

擴增你的資料

「tidy」機器學習基礎

本章運用 List Column Workflow 來建立並探索 77 個模型的屬性。你將使用 broom 套件的工具，從多個面向深入理解這些模型。

跨模型探索係數

整理模型的係數

我們能從這 77 個國家學到什麼？

評估多個模型的擬合表現

快速檢視模型配適狀況

最佳與最差擬合的模型

視覺化檢查多個模型的擬合度

為每個模型擴增擬合值

探索你表現最好與最差的模型

改進模型的擬合表現

建立更好的模型

預測未來

使用 broom 建立多個模型

本章你將學習如何使用 List Column Workflow 來建立、調整與評估迴歸模型。你會實作兩種模型：線性模型與隨機森林模型。

訓練集、測試集與驗證集的切分

訓練與測試分割

交叉驗證資料框

衡量交叉驗證效能

建立交叉驗證模型

評估前的準備

評估模型效能

建立與調整 random forest 模型

建立隨機森林模型

評估 random forest 模型

微調你的模型

效能最佳的參數

測量測試效能

建置並評估最佳模型

建立、調整與評估迴歸模型

本章將切換至分類任務，帶你建立、調整並評估分類模型。

邏輯斯迴歸模型

準備 train-test-validate 分割

評估分類模型

單一模型的預測

單一模型的效能

為交叉驗證的效能做好準備

計算交叉驗證的表現

用於分類的隨機森林

調整 random forest 模型

隨機森林效能

建立最終分類模型

衡量最終模型的效能

總結

建立、調整與評估分類模型

Gapminder

Attrition

本課程將帶你運用「tidyverse」中的工具來建立、探索並評估機器學習模型。透過結合 tidyr 與 purrr 套件，你會建立以「tidy」方式處理複雜模型物件的基礎。你也會學到如何運用 broom 套件來探索產生的模型。接著，你會認識訓練－測試－驗證（test-train-validate）流程中的工具，幫助你評估分類與迴歸模型的效能，並取得進行超參數調整以最佳化模型效能所需的資訊。

歡迎加入 tidyverse！在本課程中，您將持續學習 tidyverse，並運用您的知識於機器學習相關概念。<br><br>
如果您希望將 R 的 Tidyverse 工具整合到您的機器學習工作流程中，本課程將是您的理想選擇。 <br><br><h2>評估機器學習模型</h2>
在本課程中，您將專注於運用 R 中的 tidyverse 工具，有效地建立、探索並評估機器學習模型。<br><br>
本課程首先介紹 List Column Workflow (LCW)，這是一種在單一 dataframe 中管理多個模型的方法。 本課程同時介紹如何使用 broom 套件來整理並探索模型輸出，使複雜的結果變得更易於理解。<br><br><h2>運用 tidyr 與 purrr</h2>
透過實作練習，學習建立並評估回歸與分類模型。 探索調整超參數以優化模型效能的技巧。<br><br>
您將使用如 tidyr 和 purrr 等套件來處理複雜的資料操作與模型評估，確保在機器學習過程中採用有條理且系統化的方法。<br><br><h2>獲得實戰應用經驗</h2>
透過多個案例研究，探索真實世界的應用，例如利用 gapminder 資料集，運用線性模型預測預期壽命。<br><br>
在本課程結束時，您將具備運用 Tidyverse 原則於機器學習的堅實基礎，能夠以整潔且可重現的方式，高效地建立、調整與評估模型。 

Modeling with Data in the Tidyverse

利用tidyverse中的tidyr和purrr套件生成、探索和評估機器學習模型。

Tidyverse 的 Machine Learning

運用 tidyverse 中的 tidyr 與 purrr 套件，建立、探索並評估機器學習模型。

建立與調整 random forest 模型

Create Your Free Account