机器学习基础
了解 R 中机器学习的基本概念和框架
机器学习基础 是 CoddyKit 上的免费 R Academy 课时。 这是第 3 节课，共 3 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 R Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 R Academy 课程共包含 3 节课。
R 语言机器学习简介
R 语言机器学习简介
机器学习使计算机能够从数据中学习模式并进行预测。R 提供了多个机器学习库，包括 caret 和 randomForest。
加载 Caret 包
加载 Caret 包
caret 包简化了 R 中的机器学习工作流程。
library(caret)
data(iris)将数据拆分为训练集和测试集
将数据拆分为训练集和测试集
拆分数据可以通过分别进行训练和测试，确保正确评估模型。
set.seed(123)
trainIndex <- createDataPartition(iris$Species, p=0.8, list=FALSE)
trainData <- iris[trainIndex,]
testData <- iris[-trainIndex,]构建决策树模型
构建决策树模型
决策树通过在决策点拆分特征来对数据进行分类。
library(rpart)
model <- rpart(Species ~ ., data=trainData)
plot(model)
text(model)训练随机森林模型
训练随机森林模型
随机森林通过组合多个模型来改进决策树。
library(randomForest)
rf_model <- randomForest(Species ~ ., data=trainData)
print(rf_model)进行预测
进行预测
使用 predict() 对新数据进行预测。
predictions <- predict(rf_model, newdata=testData)评估模型准确度
评估模型准确度
准确度衡量模型在测试数据上的表现。
confusionMatrix(predictions, testData$Species)超参数调优
超参数调优
使用 train() 优化模型参数，以获得更好的性能。
tuned_model <- train(Species ~ ., data=trainData, method='rf', tuneLength=3)总结
总结
在本课中，您学习了：
- 如何将数据拆分为训练集和测试集。
- 如何构建决策树和随机森林模型。
- 如何评估模型性能并调整超参数。
常见问题解答
「机器学习基础」课时是免费的吗？
是的 — 「机器学习基础」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 R Academy 课程的其余内容，请升级到 CoddyKit PRO。 R Academy 课程共包含 3 节课。
「机器学习基础」这节课中我会学到什么？
了解 R 中机器学习的基本概念和框架 你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 R Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 R Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 3 节。
「机器学习基础」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 R Academy 课中编写并运行代码吗？
能。每节 R Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。