Grundlagen des maschinellen Lernens

Machine Learning ermöglicht es Computern, Muster aus Daten zu lernen und Vorhersagen zu treffen. R stellt mehrere Bibliotheken für Machine Learning bereit, darunter caret und randomForest.

Das Paket caret vereinfacht Machine-Learning-Workflows in R.

library(caret)
data(iris)

Durch die Aufteilung der Daten wird eine korrekte Modellbewertung ermöglicht, da Training und Test getrennt erfolgen.

set.seed(123)
trainIndex <- createDataPartition(iris$Species, p=0.8, list=FALSE)
trainData <- iris[trainIndex,]
testData <- iris[-trainIndex,]

Entscheidungsbäume klassifizieren Daten, indem sie Merkmale an Entscheidungspunkten aufteilen.

library(rpart)
model <- rpart(Species ~ ., data=trainData)
plot(model)
text(model)

Random Forests verbessern Entscheidungsbäume, indem sie mehrere Modelle kombinieren.

library(randomForest)
rf_model <- randomForest(Species ~ ., data=trainData)
print(rf_model)

Verwenden Sie predict(), um Vorhersagen für neue Daten zu treffen.

predictions <- predict(rf_model, newdata=testData)

Die Genauigkeit misst, wie gut das Modell mit Testdaten funktioniert.

confusionMatrix(predictions, testData$Species)

Verwenden Sie train(), um Modellparameter für eine bessere Leistung zu optimieren.

tuned_model <- train(Species ~ ., data=trainData, method='rf', tuneLength=3)

In dieser Lektion haben Sie Folgendes gelernt:

• Wie Sie Daten in Trainings- und Testdatensätze aufteilen.
• Wie Sie Entscheidungsbaum- und Random-Forest-Modelle erstellen.
• Wie Sie die Modellleistung bewerten und Hyperparameter optimieren.