Основы машинного обучения

Машинное обучение позволяет компьютерам выявлять закономерности в данных и делать прогнозы. R предоставляет несколько библиотек для машинного обучения, включая caret и randomForest.

Пакет caret упрощает рабочие процессы машинного обучения в R.

library(caret)
data(iris)

Разделение данных обеспечивает корректную оценку модели благодаря раздельному обучению и тестированию.

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

Деревья решений классифицируют данные, разделяя признаки в узлах принятия решений.

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

Случайные леса повышают эффективность деревьев решений, объединяя несколько моделей.

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

Используйте predict(), чтобы делать прогнозы для новых данных.

predictions <- predict(rf_model, newdata=testData)

Точность показывает, насколько хорошо модель работает на тестовых данных.

confusionMatrix(predictions, testData$Species)

Используйте train(), чтобы оптимизировать параметры модели и повысить её эффективность.

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

В этом уроке Вы узнали:

• как разделять данные на обучающую и тестовую выборки;
• как создавать модели деревьев решений и случайного леса;
• как оценивать эффективность моделей и настраивать гиперпараметры.