Arbres ensachés

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

Sandro Raabe

Data Scientist

À plusieurs, on fait mieux

la sagesse du collectif

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

Bootstrap et agrégation

  • Bagging = abréviation de Bootstrap Aggregation

 

 1. Bootstrap

  • Échantillonnage avec remise $\rightarrow$ nombreux jeux d'entraînement modifiés

 

 2. Agrégation

  • Les prédictions de modèles différents sont agrégées pour la prédiction finale :
    • Moyenne (en régression)
    • Vote majoritaire (en classification)
Machine Learning avec des modèles à base d’arbres en R

Étape 1 : Bootstrap et entraînement

schéma du bootstrap

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

Étape 2 : Agréger

agréger les résultats

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

Coder : définir les arbres ensachés

library(baguette)
spec_bagged <- bag_tree() %>%

    set_mode("classification") %>%

    set_engine("rpart", times = 100)

Bagged Decision Tree Model Specification (classification)

Main Arguments:
  cost_complexity = 0
  min_n = 2

Engine-Specific Arguments:
  times = 100

Computational engine: rpart
Machine Learning avec des modèles à base d’arbres en R

Entraîner tous les arbres

model_bagged <- fit(spec_bagged, formula = still_customer ~ ., data = customers_train)

parsnip model object

Fit time:  23.9s

Bagged CART (classification with 100 members)

Variable importance scores include:

# A tibble: 19 x 4
   term                     value std.error  used
   <chr>                    <dbl>     <dbl> <int>
 1 total_trans_ct           876.      3.93    100
 2 total_trans_amt          800.      4.54    100
 3 total_revolving_bal      491.      3.67    100
Machine Learning avec des modèles à base d’arbres en R

Passons au bootstrap !

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

Preparing Video For Download...