Wiederholung

# Wiederholung
### Maschinelles Lernen mit R <a href='https://therbootcamp.github.io'> The R Bootcamp </a> <a href='https://therbootcamp.github.io/ML_2020Apr/'> </a>  <a href='https://therbootcamp.github.io'> </a>  <a href='mailto:therbootcamp@gmail.com'> </a>  <a href='https://www.linkedin.com/company/basel-r-bootcamp/'> </a>
### April 2020

---

<div class="my-footer">
 
 
 <img src="https://raw.githubusercontent.com/therbootcamp/therbootcamp.github.io/master/_sessions/_image/by-sa.png" height=14 style="vertical-align: middle"/>
 
 <a href="https://therbootcamp.github.io/">
 
 
 www.therbootcamp.com
 
 
 </a>
 <a href="https://therbootcamp.github.io/">
 
 Maschinelles Lernen mit R | April 2020
 
 </a>
 
 </div>

---

# Was ist maschinelles Lernen?

<ul>
 <li class="m1">Maschinelles Lernen ist...</li> 
 <ul class="level">
 <li>...ein <high>Bereich der künstlichen Intelligenz</high>...</li> 
 <li>...der mittels <high>statistischer Methoden</high>...</li> 
 <li>...es Computern ermöglicht zu <high>lernen</high>...</li> 
 <li>...d.h., fortwährend die eigene <high>Leistung</high> in (spezifischen) Aufgaben zu verbessert...</li> 
 <li>...<high>ohne explizit programmiert</high> worden zu sein.</li>
 </ul>
</ul>

]

<img src="image/ml_robot.jpg" height=380px> 
from <a href="https://medium.com/@dkwok94/machine-learning-for-my-grandma-ca242e97ef62">medium.com</a>

]

---

# Bereiche des maschinellen Lernens

<ul>
 <li class="m1">Es gibt verschiedene Bereiche des maschinellen Lernens mit jeweils eigenen Algorithmen.</li>
 <li class="m2">Wir fokussieren auf den Bereich des <high>Supervised Learning</high> (Deutsch: überwachtes Lernen).</li>
</ul>

]

<img src="image/mltypes.png" height=500px> 
from <a href="image/mltypes.png">amazonaws.com</a>

]

---

# Loss  Funktion

<ul>
<li class="m1">Ein <high>zentrales Konzept</high> in der Statistik und im maschinellen Lernen.</li>
<li class="m2">Die Loss Funktion fasst die <high>Fehler eines Modells zusammen</high>.</li>
</ul>

`$$\Large Loss = f(Fehler)$$`

Zwei Zwecke

<table style="cellspacing:0; cellpadding:0; border:none;">
<tr>
 <td>
 Zweck
 </td>
 <td>
 Beschreibung
 </td>
</tr>
<tr>
 <td bgcolor="white">
 Fitting
 </td>
 <td bgcolor="white">
 Finde Parameter, die die Verlustfunktion minimieren.
 </td>
</tr>
<tr>
 <td>
 Evaluation
 </td>
 <td>
 Berechne den Verlust für ein gefittetes Modell.
 </td>
</tr>
</table>

]

]

---

# Zwei Problemtypen

<ul>
 <li class="m1">Regression</li>
 
 <ul class="level">
 <li>Vorhersage eines <high>numerischen, kontinuierlichen Kriteriums</high>.</li> 
 <li>Vorhersage des Cholesterinspiegels mit Alter</li>
 </ul> 
 <li class="m2">Klassifikation</li>
 
 <ul class="level">
 <li>Vorhersage eines <high>kategorialen, diskreten Kriteriums</high>.</li> 
 <li>Vorhersage, ob Herzinfarkt ja oder nein</li>
 </ul> 
</ul>

]

]

---

# Drei Modelle des Supervised Learnings

---

# "Hold-out"-Daten

<ul>
 <li class="m1">Die Performanz eines Modells wird i.a.R. über die Vorhersage <high>ungesehener Daten</high> evaluiert.</li> 
 <li class="m2">Die ungesehenen Daten können <high>natürlich vorkommen</high>.</li>
 <ul class="level">
 <li>zB. Aktiendaten aus 2019 für ein Modell auf Basis von Aktiendaten aus 2018</li>
 </ul> 
 <li class="m3">Meist werden die ungesehenen Daten manuell kreiert in dem die verfügbaren Daten in <high>Training und Test</high> aufgeteilt werden.</li>
</ul>

]

]

---

# Overfitting

<ul>
 <li class="m1">Tritt ein, wenn ein Modell die <high>Daten zu genau fitted</high> und deswegen <high>keine guten Vorhersagen</high> liefert.</li> 
 <li class="m2">Ein zu genauer fit bedeutet, dass z.T. züfällige Tendenzen, sog. <high>Rauschen gefittet</high> wird.</li> 
 <li class="m3"><high>"Komplexere" Modelle</high> neigen mehr zu overfitting.</li>
</ul>

]

]

---

# 6 Schritte mit <mono>caret</mono>

Schritt 0: Lade daten

```r
data_train <- read_csv("1_Data/data.csv")
data_test <- read_csv("1_Data/data.csv")
```

Schritt 1: Definiere Kontrollparameter

```r
# Verwende Cross-Validation
ctrl <- trainControl(method = "cv")
```

Schritt 3: Trainiere Modell

```r
mod <- train(form = Y ~ ., 
 data = data_train,
 method = "My Favorite Model",
 trControl = ctrl)
```

]

Schritt 4: Inspiziere Modell

```r
mod            # Printe Objekt
mod$finalModel # Finales Modell
```

Schritt 5: Generiere Vorhersagen

```r
# Generiere Vorhersagen
mod_pred <- predict(object = mod, 
 newdata = data_test)
```

Schritt 6: Evaluiere Vorhersagen

```r
# Evaluiere Vorhersagen
postResample(pred = mod_pred, 
             obs = data_test$Y)
```

]

---

<h1><a href=https://therbootcamp.github.io/ML_2020Apr/index.html>Schedule</a></h1>