In dieser Sitzung lernen Sie zufällige Wälder kennen, eine Art von Data-Mining-Algorithmus, der aus einer großen Anzahl von Variablen diejenigen auswählen kann, die bei der Bestimmung der zu erklärenden Ziel- oder Antwortvariablen am wichtigsten sind. Im Gegensatz zu Entscheidungsbäumen lassen sich die Ergebnisse von Random Forests gut auf neue Daten verallgemeinern.

Die Lasso-Regressionsanalyse ist eine Schrumpfungs- und Variablenauswahlmethode für lineare Regressionsmodelle. Das Ziel der Lasso-Regression ist es, die Teilmenge der Prädiktoren zu erhalten, die den Vorhersagefehler für eine quantitative Antwortvariable minimiert. Das Lasso erreicht dies, indem es den Modellparametern eine Beschränkung auferlegt, die dazu führt, dass die Regressionskoeffizienten für einige Variablen gegen Null schrumpfen. Variablen mit einem Regressionskoeffizienten von Null nach dem Schrumpfungsprozess werden aus dem Modell ausgeschlossen. Variablen mit Regressionskoeffizienten ungleich Null sind am stärksten mit der Antwortvariablen assoziiert. Erklärende Variablen können entweder quantitativ, kategorial oder beides sein. In dieser Sitzung werden Sie eine Lasso-Regressionsanalyse anwenden und interpretieren. Sie werden auch Erfahrungen mit der k-fachen Kreuzvalidierung sammeln, um das am besten passende Modell auszuwählen und eine genauere Schätzung der Testfehlerrate Ihres Modells zu erhalten. Um ein Lasso-Regressionsmodell zu testen, müssen Sie eine quantitative Antwortvariable aus Ihrem Datensatz identifizieren, falls Sie dies noch nicht getan haben, und einige zusätzliche quantitative und kategoriale Prädiktorvariablen (d.h. erklärende Variablen) auswählen, um einen größeren Pool von Prädiktoren zu entwickeln. Mit einer größeren Anzahl von Prädiktoren, die Sie testen können, können Sie Ihre Erfahrungen mit der Lasso-Regressionsanalyse maximieren. Denken Sie daran, dass es sich bei der Lasso-Regression um eine Methode des maschinellen Lernens handelt, so dass Ihre Auswahl zusätzlicher Prädiktoren nicht unbedingt von einer Forschungshypothese oder Theorie abhängen muss. Gehen Sie ein paar Risiken ein und probieren Sie einige neue Variablen aus. Die Lasso-Regressionsanalyse wird Ihnen helfen zu bestimmen, welche Ihrer Prädiktoren am wichtigsten sind. Beachten Sie auch, dass Sie, wenn Sie mit einem relativ kleinen Datensatz arbeiten, Ihre Daten nicht in Trainings- und Testdatensätze aufteilen müssen. Die von Ihnen angewandte Methode der Kreuzvalidierung ist so konzipiert, dass Sie Ihre Daten nicht aufteilen müssen, wenn Sie eine begrenzte Anzahl von Beobachtungen haben.

Die Clusteranalyse ist eine unüberwachte Methode des maschinellen Lernens, die die Beobachtungen in einem Datensatz in eine kleinere Gruppe von Clustern unterteilt, wobei jede Beobachtung nur zu einem Cluster gehört. Das Ziel der Clusteranalyse ist es, Beobachtungen auf der Grundlage der Ähnlichkeit ihrer Antworten auf mehrere Variablen in Teilmengen zu gruppieren oder zu clustern. Bei den Clustervariablen sollte es sich in erster Linie um quantitative Variablen handeln, aber auch binäre Variablen können einbezogen werden. In dieser Sitzung werden wir Ihnen zeigen, wie Sie die k-means Clusteranalyse verwenden, um Cluster von Beobachtungen in Ihrem Datensatz zu identifizieren. Sie werden Erfahrungen mit der Interpretation der Ergebnisse der Clusteranalyse sammeln, indem Sie grafische Methoden verwenden, um die Anzahl der zu interpretierenden Cluster zu bestimmen, und die Mittelwerte der Clustervariablen untersuchen, um die Clusterprofile zu bewerten. Schließlich erhalten Sie die Möglichkeit, Ihre Clusterlösung zu validieren, indem Sie die Unterschiede zwischen den Clustern in Bezug auf eine Variable untersuchen, die nicht in Ihrer Clusteranalyse enthalten ist. Sie können die gleichen Variablen, die Sie in den vergangenen Wochen verwendet haben, als Clustervariablen verwenden. Wenn die meisten oder alle Ihrer bisherigen erklärenden Variablen kategorisch sind, sollten Sie einige zusätzliche quantitative Clustervariablen aus Ihrem Datensatz identifizieren. Idealerweise sind die meisten Ihrer Clustering-Variablen quantitativ, obwohl Sie auch einige binäre Variablen einbeziehen können. Darüber hinaus müssen Sie eine quantitative oder binäre Antwortvariable aus Ihrem Datensatz identifizieren, die Sie nicht in Ihre Clusteranalyse einbeziehen werden. Sie werden diese Variable verwenden, um Ihre Cluster zu validieren, indem Sie mit Hilfe von statistischen Methoden wie der Varianzanalyse oder der Chi-Quadrat-Analyse, die Sie in Kurs 2 der Spezialisierung (Datenanalyse-Tools) kennengelernt haben, bewerten, ob sich Ihre Cluster bei dieser Antwortvariable signifikant unterscheiden. Beachten Sie auch, dass Sie, wenn Sie mit einem relativ kleinen Datensatz arbeiten, Ihre Daten nicht in Trainings- und Testdatensätze aufteilen müssen.