Árvore de decisão

Machine learning com PySpark

Andrew Collier

Data Scientist, Fathom Data

Anatomia de uma árvore de decisão: Nó raiz

Nó raiz de uma árvore de decisão.

Anatomia de uma árvore de decisão: Primeira divisão

Árvore de decisão com uma divisão

Anatomia de uma árvore de decisão: Segunda divisão

Árvore de decisão com segunda divisão

Anatomia de uma árvore de decisão: Terceira divisão

Árvore de decisão com terceira divisão

Classificando carros

Classifique carros pelo país de fabricação.

+---+----+------+------+----+-----------+----------------------------------+-----+
|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 nos EUA
      = 1 -> fabricado em outro lugar

Divisão treino/teste

Divida os dados em treino e teste.

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

Dois DataFrames: cars_train e cars_test.

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

[79, 13]

Construir um modelo de Árvore de Decisão

from pyspark.ml.classification import DecisionTreeClassifier

Crie um classificador de Árvore de Decisão.

tree = DecisionTreeClassifier()

Aprenda com os dados de treino.

tree_model = tree.fit(cars_train)

Avaliando

Faça previsões no conjunto de teste e compare com os valores conhecidos.

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 confusão

Uma matriz de confusão é uma tabela que descreve o desempenho de um modelo nos dados de teste.

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

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

Acurácia = (TN + TP) / (TN + TP + FN + FP) — proporção de previsões corretas.

Vamos construir Árvores de Decisão!

Machine learning com PySpark