Курсовая по машинному обучению на языке R

Нужна помощь с курсовой работой по машинному обучению, используя язык R. Дедлайн до 26 является лишь частью курсовой. Полный дедлайн будет до 30 Марта, который в заказе будет продлён. В документе представлены частичные описания заданий (3 задания). Все остальные описания и дата будет предоставлена после обсуждения.

Описание того, что нужно до 26 Февраля:

Отчет: не более 10 страниц, формат A4, размер шрифта Arial 11, поля 2 см.

Код: отдельный файл сценария R

Выполнимость задания. В этом задании мы просим вас только:

Проведите исследовательский анализ данных (EDA), который поможет вам генерировать идеи моделирования.

Используйте свой EDA, чтобы разработать и обосновать 5 идей/гипотез моделирования. Попробуйте обсудить эти вопросы:

Оправдывают ли сильные корреляции X, Y линейную модель или кусочно-линейную?

Предлагают ли диаграммы рассеяния преобразования для линеаризации отношений X, Y?

Какие-то пропущенные значения? Каковы различные способы их лечения и их недостатки/преимущества?

Какие-то категориальные особенности и разные кодировки со своими недостатками/преимуществами?

Если вы разрабатываете «слишком много» функций, какие инструменты уменьшения размерности вы могли бы использовать и их недостатки/преимущества?

Какие нелинейные модели (без учителя/с учителем) вы могли бы использовать и их недостатки/преимущества?

Существует ли наблюдательная зависимость (например, во времени, группе и т. д.)? Как вы можете обнаружить это и зафиксировать в своей нелинейной модели?

Существует ли зависимость признаков (например, мультиколлинеарность)? Как вы можете обнаружить это и зафиксировать в своей нелинейной модели?

Если наблюдений слишком много/мало, как вы можете сократить или увеличить выборку обучающего набора?

Какие метрики модели подходят и их недостатки/преимущества? (например, RSS, MSE, MAE, RMSE, R2, категориальные потери, AIC, BIC, Cp, показатели кластеризации, ...)

Как можно настроить гиперпараметры и выбрать «лучший» набор их значений? (например, тестовая метрика по случайному размеру леса или поиску по сетке)

Если модель может переобучать (например, слишком много производных функций), как вы можете с этим справиться? (например, усеченный PCA, регуляризация, ...)

Если классы несбалансированы, как вы можете предотвратить смещение самого большого класса?

Если это проблема с несколькими классами или несколькими метками, какие модели вы могли бы использовать и как? (например, один против всех, один против остальных, полиномиальная логистическая регрессия, деревья, ...)

-------------------------------------------------------------------------------------------------------------------------------

Разработайте простую базовую модель

Если вы включите улучшенные модели, мы не будем оценивать их, чтобы избежать конфликта интересов.

Включите страницу ссылок.

Выберите стиль цитирования (например, APA) и последовательно используйте его.

Google Scholar — удобный способ генерировать цитаты в разных стилях.

Для URL-адресов: постарайтесь найти автора/псевдоним, первоначальную дату (или хотя бы год) и текущую дату поиска.

По крайней мере, укажите, где вы использовали понятия/формулы из учебников ISLR или ESL.