Welkom bij de cursus

Machine Learning met caret in R

Max Kuhn

Software Engineer at RStudio and creator of caret

Supervised learning

Een afbeelding van een bloem en een factuur met het label "past due".

Twee typen voorspellende modellen
- Classificatie ⇒ Kwalitatief
- Regressie ⇒ Kwantitatief
Gebruik metrics om modellen te evalueren
- Kwantificeerbaar
- Objectief
Root Mean Squared Error (RMSE) voor regressie

In-sample RMSE berekenen is gebruikelijk
- Te optimistisch
- Leidt tot overfitting
Beter: out-of-sample fout (zoals in caret)
- Simuleert gebruik in de praktijk
- Helpt overfitting te voorkomen

# Fit a model to the mtcars data
data(mtcars)
model <- lm(mpg ~ hp, mtcars[1:20, ])

# Predict in-sample
predicted <- predict(
  model, mtcars[1:20, ], type = "response"
)

# Calculate RMSE
actual <- mtcars[1:20, "mpg"]
sqrt(mean((predicted - actual) ^ 2))

3.172132

Machine Learning met caret in R