Decision Trees, Random Foreste, AdaBoost & XGBoost in R Studio

Vuoi essere un esperto nell'utilizzo di alberi decisionali di regressione e classificazione per risolvere i problemi di business? Questo corso copre le basi di R e RStudio e i datasets incostruiti di R, inclusi tutti i passaggi che si dovrebbero prendere quando si utilizzano gli alberi di decisione di RStudio per risolvere i problemi di business. Gli alberi di decisione sono prevalenti tra gli scienziati dei dati che cercano uno strumento di supporto che garantisca loro la capacità di prendere decisioni di business sostenibili. Anche se un semplice albero decisionale ha alcuni inconvenienti di precisione, la buona notizia è che le varianti e le tecniche avanzate possono aiutare ad aumentare la sua precisione, di cui si imparerà in questo corso. Imparerai i metodi avanzati adatti a scenari in cui l'obiettivo è raggiungere la massima precisione a scapito di interpreti modello. Imparando ad utilizzare un albero decisionale, sarà possibile segmentare le popolazioni e le regioni e identificare le diverse variabili predittive.

Si verrà introdotto ai diversi modi di inserire i dati in R e il parametro utilizzato per creare una quantità specifica di buche in un istogramma. Poi, scoprirete che l'apprendimento automatico si riferisce alla programmazione di un computer per massimizzare o minimizzare i criteri di prestazioni in base ai dati passati. La macchina utilizza questi dati passati per migliorarne l'efficacia nell'esecuzione di un compito. Varie organizzazioni utilizzano queste informazioni per formulare strategie di business e prendere decisioni aziendali efficaci utilizzando modelli predittivi e prescrittivi. Capirete che assumiamo la forma funzionale del rapporto tra il predittore e la variabile prevista nell'approccio parametrico al machine learning. Al contrario, nel processo non parametrico, non assumiamo alcuna forma funzionale del rapporto tra il predittore e la variabile prevista. Il corso discuterà i passi nella costruzione della formulazione del modello di machine learning.

Prossimo, imparerai come utilizzare un albero di regressione per variabili target quantitative continue e un albero di classificazione per variabili target categoriali. Verranno discussi anche i tre metodi di previsione avanzati che permettono di analizzare un gruppo basato sugli alberi (bagging, foresta casuale e potenziamenti). Il criterio più importante da considerare quando si crea un modello è quello di avere una solida conoscenza aziendale del problema che si sta cercando di risolvere. Capirete poi che il tempo trascorso a preparare i vostri dati influenzerà le prestazioni del modello. Capire i fattori che influenzano le variabili di interesse ti darà una solida base nei tuoi sforzi per creare modelli efficaci. Infine, si studierà la mancata imputazione del valore in R, l'analisi univariata e l'EDD, la creazione variabile fittizia e la matrice di correlazione. Questo corso interesserà gli analisti aziendali, i dirigenti o gli studenti interessati ad imparare sugli alberi di decisione. Perché aspettare? Inizia questo corso oggi e diventa un esperto di problem solving.