Modèles de classification
Modéliser avec tidymodels en R
David Svancer
Data Scientist
Prédire les achats de produits
Les modèles de classification prédisent des variables cibles catégorielles
- Prédire les achats de produits
| purchased | total_time | total_visits |
|---|---|---|
| yes | 800 | 3 |
| yes | 978 | 7 |
| no | 220 | 4 |
| no | 124 | 5 |
| yes | 641 | 4 |
Algorithmes de classification
Objectif : Créer des régions distinctes et non chevauchantes le long d'un ensemble de valeurs des variables prédictives
- Prédire la même catégorie cible dans chaque région
Algorithmes de classification
Objectif : Créer des régions distinctes et non chevauchantes le long d'un ensemble de valeurs des variables prédictives
- Prédire la même catégorie cible dans chaque région
Régression logistique
- Algorithme de classification populaire qui crée une séparation linéaire entre les catégories de la cible
Données de scoring des leads
leads_df
# A tibble: 1,328 x 7
purchased total_visits total_time pages_per_visit total_clicks lead_source us_location
<fct> <dbl> <dbl> <dbl> <dbl> <fct> <fct>
1 yes 7 1148 7 59 direct_traffic west
2 no 8 100 2.67 24 direct_traffic west
3 no 5 228 2.5 25 email southeast
4 no 7 481 2.33 21 organic_search west
5 no 4 177 4 37 direct_traffic west
6 no 2 1273 2 26 email midwest
7 no 3 711 3 28 organic_search west
8 no 3 166 3 32 direct_traffic southeast
9 no 3 7 3 23 organic_search west
10 no 6 562 6 48 organic_search southeast
# ... with 1,318 more rows
Rééchantillonnage des données
Première étape pour ajuster un modèle
- Créer un objet de découpe des données avec
initial_split() - Créer les jeux d'entraînement et de test avec
training()ettesting()
leads_split <- initial_split(leads_df, prop = 0.75, strata = purchased)leads_training <- leads_split %>% training()leads_test <- leads_split %>% testing()
Spécification du modèle de régression logistique
Spécification du modèle dans parsnip
logistic_reg()- Interface générale pour les modèles de régression logistique dans
parsnip - Moteur courant : 'glm'
- Mode : 'classification'
- Interface générale pour les modèles de régression logistique dans
logistic_model <- logistic_reg() %>%set_engine('glm') %>%set_mode('classification')
Ajustement du modèle
Une fois le modèle spécifié, la fonction fit() est utilisée pour l'entraîner
- Passer l'objet modèle à
fit() - Indiquer la formule du modèle
- Fournir les données d'entraînement,
data
logistic_fit <- logistic_model %>%fit(purchased ~ total_visits + total_time,data = leads_training)
Prédire les catégories cibles
La fonction predict()
new_dataindique le jeu de données sur lequel prédire de nouvelles valeurstype'class'fournit des prédictions catégorielles
Sortie standardisée de predict()
- Renvoie un tibble
- Quand
typevaut'class', renvoie une colonne facteur nommée.pred_class
class_preds <- logistic_fit %>%predict(new_data = leads_test,type = 'class')class_preds
# A tibble: 332 x 1
.pred_class
<fct>
1 no
2 yes
3 no
4 no
5 yes
# ... with 327 more rows
Probabilités estimées
Définir type à 'prob' fournit les probabilités estimées pour chaque catégorie de la cible
La fonction predict() renvoie un tibble avec plusieurs colonnes
- Une par catégorie de la variable cible
- Convention de nommage :
.pred_{outcome_category}
prob_preds <- logistic_fit %>%
predict(new_data = leads_test,
type = 'prob')
prob_preds
# A tibble: 332 x 2
.pred_yes .pred_no
<dbl> <dbl>
1 0.134 0.866
2 0.729 0.271
3 0.133 0.867
4 0.0916 0.908
5 0.598 0.402
# ... with 327 more rows
Combiner les résultats
Pour évaluer le modèle avec le package yardstick, un tibble de résultats est nécessaire
La variable cible du jeu de test et les tibbles de prédictions peuvent être combinés avec bind_cols()
leads_results <- leads_test %>%
select(purchased) %>%
bind_cols(class_preds, prob_preds)
leads_results
# A tibble: 332 x 4
purchased .pred_class .pred_yes .pred_no
<fct> <fct> <dbl> <dbl>
1 no no 0.134 0.866
2 yes yes 0.729 0.271
3 no no 0.133 0.867
4 no no 0.0916 0.908
5 yes yes 0.598 0.402
# ... with 327 more rows
Données de télécommunications
telecom_df
# A tibble: 975 x 9
canceled_service cellular_service avg_data_gb avg_call_mins avg_intl_mins internet_service contract months_with_company monthly_charges
<fct> <fct> <dbl> <dbl> <dbl> <fct> <fct> <dbl> <dbl>
1 yes single_line 7.78 497 127 fiber_optic month_to_month 7 76.4
2 yes single_line 9.04 336 88 fiber_optic month_to_month 10 94.9
3 no single_line 10.3 262 55 fiber_optic one_year 50 103.
4 yes multiple_lines 5.08 250 107 digital one_year 53 60.0
5 no multiple_lines 8.05 328 122 digital two_year 50 75.2
6 no single_line 9.3 326 114 fiber_optic month_to_month 25 95.7
7 yes multiple_lines 8.01 525 97 fiber_optic month_to_month 19 83.6
8 no multiple_lines 9.4 312 147 fiber_optic one_year 50 99.4
9 yes single_line 5.29 417 96 digital month_to_month 8 49.8
10 no multiple_lines 9.96 340 136 fiber_optic month_to_month 61 106.
# ... with 965 more rows
Passons à la pratique !
Modéliser avec tidymodels en R
