Comment faire grandir votre arbre

Machine Learning avec des modèles à base d’arbres en R

Sandro Raabe

Data Scientist

Jeu de données sur le diabète

head(diabetes)

# A tibble: 6 x 9
  outcome pregnancies glucose blood_pressure skin_thickness insulin   bmi    age
  <fct>         <int>   <int>          <int>          <int>   <int> <dbl>  <int>
1 yes               6     148             72             35       0  33.6     50
2 no                1      85             66             29       0  26.6     31
3 yes               8     183             64              0       0  23.3     32
Machine Learning avec des modèles à base d’arbres en R

Utiliser tout le jeu de données

  • Tout le jeu de données est utilisé pour l'entraînement : aucun jeu de test pour évaluer le modèle

model_flow_1

Machine Learning avec des modèles à base d’arbres en R

Découper les données

datasplit

model and evaluation

Machine Learning avec des modèles à base d’arbres en R

Méthodes de découpage

splitting methods

splitting_methods2

splitting_methods3

Machine Learning avec des modèles à base d’arbres en R

La fonction initial_split()

  • Sépare aléatoirement en un seul jeu d'entraînement et un seul jeu de test
# Split data proportionally (default: 0.75)
diabetes_split <- initial_split(diabetes, prop = 0.9)
diabetes_split

<Analysis/Assess/Total>
<692/76/768>
1 du package rsample
Machine Learning avec des modèles à base d’arbres en R

Fonctions training() et testing()

  • Extraire les jeux d'entraînement et de test d'un découpage
diabetes_train <- training(diabetes_split)

diabetes_test  <- testing(diabetes_split)
  • Vérification :
    nrow(diabetes_train)/nrow(diabetes)

[1] 0.9007812
1 de rsample
Machine Learning avec des modèles à base d’arbres en R

Éviter le déséquilibre des classes

# Training count of 'yes' and 'no' outcomes
counts_train <- table(diabetes_train$outcome)
counts_train

 no yes 
490 86

# Training proportion of 'yes' outcome
prop_yes_train <- counts_train["yes"]/
                  sum(counts_train)
prop_yes_train

0.15

# Test data count of 'yes' and 'no' outcomes
counts_test <- table(diabetes_test$outcome)
counts_test

 no yes 
 28  48

# Test data proportion of 'yes' outcome
prop_yes_test <- counts_test["yes"]/
                  sum(counts_test)
prop_yes_test

0.63
Machine Learning avec des modèles à base d’arbres en R

Solution : imposer des distributions similaires

initial_split(diabetes, 
              prop = 0.9, 
              strata = outcome)
  • Garantit un découpage aléatoire avec une distribution similaire de la variable outcome
Machine Learning avec des modèles à base d’arbres en R

Découpons !

Machine Learning avec des modèles à base d’arbres en R

Preparing Video For Download...