本章将向您介绍 tidyverse 中机器学习的核心——列表列工作流（List Column Workflow，LCW）。LCW 能让您在一个数据框中同时处理多个模型。<br> 本章还将介绍使用 broom 包探索模型的基本方法。

"tidy" 机器学习基础

对数据进行嵌套

展开数据（Unnesting）

探索一个嵌套单元格

map 系列函数

对数据进行映射

期望的映射输出

映射多个模型

用 broom 整理模型

整理模型的三种方式

以整洁方式提取模型统计量

增强您的数据

"整洁"机器学习基础

本章将利用列表列工作流构建并探索 77 个模型的属性。您将使用 broom 包的工具，从多维度理解这些模型。

跨模型探查系数

整理模型的系数

我们能从这 77 个国家学到什么？

评估多个模型的拟合效果

快速浏览模型拟合情况

拟合最佳与最差的模型

可视化检查多个模型的拟合情况

为每个模型添加拟合值的增广数据

检查拟合最好和最差的模型

改进模型拟合

构建更优的模型

预测未来

使用 broom 处理多个模型

在本章中，您将学习如何使用列表列工作流来构建、调优并评估回归模型。您将有机会使用两类模型：线性模型和随机森林模型。

训练集、测试集与验证集的划分

训练集与测试集划分

交叉验证数据框

评估交叉验证性能

构建交叉验证模型

评估前的准备

评估模型性能

构建并调优随机森林模型

构建随机森林模型

评估随机森林模型

微调您的模型

表现最佳的参数

评估测试集表现

构建并评估最佳模型

构建、调优与评估回归模型

在本章中，您将切换到分类任务，构建、调优并评估分类模型。

Logistic 回归模型

准备训练-测试-验证集

评估分类模型

单个模型的预测

单个模型的性能

为交叉验证的性能做准备

计算交叉验证性能

用于分类的随机森林

调优随机森林模型

随机森林的性能

构建最终分类模型

衡量最终模型性能

总结

构建、调优与评估分类模型

Gapminder

Attrition

本课程将带您使用 "tidyverse" 中的工具来构建、探索并评估机器学习模型。借助 tidyr 和 purrr 包，您将打下以"整洁"方式处理复杂模型对象的基础。您还将学习如何使用 broom 包来探索训练得到的模型。随后，课程将介绍测试-训练-验证（test-train-validate）工作流中的工具，帮助您评估分类与回归模型的性能，并为通过超参数调优优化模型性能提供必要的信息。

欢迎来到 tidyverse！在本课程中，你将继续学习 tidyverse，并将所学知识应用于机器学习概念。<br><br>
如果你希望将 R 的 Tidyverse 工具整合到你的机器学习工作流程中，这门课程非常适合你。 <br><br><h2>评估机器学习模型</h2>
在整个课程中，你将专注于利用 R 中的 tidyverse 工具，高效构建、探索和评估机器学习模型。<br><br>
课程首先介绍列表列工作流（LCW），这是一种在单个数据框中管理多个模型的方法。 它还涵盖了使用 broom 包来整理和探索模型输出，使复杂结果更易于解读。<br><br><h2>使用 tidyr 和 purrr</h2>
通过实践练习，构建并评估回归模型和分类模型。 探索用于调优超参数以优化模型性能的技术。<br><br>
你将使用 tidyr 和 purrr 等包来处理复杂的数据操作和模型评估，确保以整洁且系统化的方法进行机器学习。<br><br><h2>获得真实世界应用</h2>
通过多个案例研究探索真实世界的示例，例如使用 gapminder 数据集通过线性模型预测预期寿命。<br><br>
在课程结束时，您将扎实掌握将 Tidyverse 原则应用于机器学习的方法，从而能够以整洁且可复现的方式高效构建、调优和评估模型。 

Modeling with Data in the Tidyverse

Tidyverse 中的机器学习

借助 tidyverse 中的 tidyr 和 purrr 包，生成、探索并评估机器学习模型。

可视化检查多个模型的拟合情况

Create Your Free Account