Árbol de decisión

Machine learning con PySpark

Andrew Collier

Data Scientist, Fathom Data

Anatomía de un árbol de decisión: Nodo raíz

Nodo raíz de un árbol de decisión.

Anatomía de un árbol de decisión: Primera partición

Árbol de decisión con una sola partición

Anatomía de un árbol de decisión: Segunda partición

Árbol de decisión con segunda partición

Anatomía de un árbol de decisión: Tercera partición

Árbol de decisión con tercera partición

Clasificación de coches

Clasifica coches según el país de fabricación.

+---+----+------+------+----+-----------+----------------------------------+-----+
|cyl|size|mass  |length|rpm |consumption|features                          |label|
+---+----+------+------+----+-----------+----------------------------------+-----+
|6  |3.0 |1451.0|4.775 |5200|9.05       |[6.0,3.0,1451.0,4.775,5200.0,9.05]|1.0  |
|4  |2.2 |1129.0|4.623 |5200|6.53       |[4.0,2.2,1129.0,4.623,5200.0,6.53]|0.0  |
|4  |2.2 |1399.0|4.547 |5600|7.84       |[4.0,2.2,1399.0,4.547,5600.0,7.84]|1.0  |
|4  |1.8 |1147.0|4.343 |6500|7.84       |[4.0,1.8,1147.0,4.343,6500.0,7.84]|0.0  |
|4  |1.6 |1111.0|4.216 |5750|9.05       |[4.0,1.6,1111.0,4.216,5750.0,9.05]|0.0  |
+---+----+------+------+----+-----------+----------------------------------+-----+

label = 0 -> fabricado en USA
      = 1 -> fabricado fuera

Dividir train/test

Divide los datos en conjuntos de entrenamiento y prueba.

# Specify a seed for reproducibility
cars_train, cars_test = cars.randomSplit([0.8, 0.2], seed=23)

Dos DataFrames: cars_train y cars_test.

[cars_train.count(), cars_test.count()]

[79, 13]

Crear un modelo de árbol de decisión

from pyspark.ml.classification import DecisionTreeClassifier

Crea un clasificador de árbol de decisión.

tree = DecisionTreeClassifier()

Entrena con los datos de entrenamiento.

tree_model = tree.fit(cars_train)

Evaluación

Haz predicciones sobre los datos de prueba y compáralas con los valores conocidos.

prediction = tree_model.transform(cars_test)

+-----+----------+---------------------------------------+
|label|prediction|probability                            |
+-----+----------+---------------------------------------+
|1.0  |0.0       |[0.9615384615384616,0.0384615384615385]|
|1.0  |1.0       |[0.2222222222222222,0.7777777777777778]|
|1.0  |1.0       |[0.2222222222222222,0.7777777777777778]|
|0.0  |0.0       |[0.9615384615384616,0.0384615384615385]|
|1.0  |1.0       |[0.2222222222222222,0.7777777777777778]|
+-----+----------+---------------------------------------+

Matriz de confusión

Una matriz de confusión es una tabla que describe el rendimiento de un modelo en datos de prueba.

prediction.groupBy("label", "prediction").count().show()

+-----+----------+-----+
|label|prediction|count|
+-----+----------+-----+
|  1.0|       1.0|    8| <- Verdadero positivo  (TP)
|  0.0|       1.0|    2| <- Falso positivo      (FP)
|  1.0|       0.0|    3| <- Falso negativo      (FN)
|  0.0|       0.0|    6| <- Verdadero negativo  (TN)
+-----+----------+-----+

Exactitud = (TN + TP) / (TN + TP + FN + FP): proporción de aciertos.

¡Vamos a crear árboles de decisión!

Machine learning con PySpark