Codificando dados categóricos usando aprendizado supervisionado

Feature Engineering em R

Jorge Zazueta

Research Professor and Head of the Modeling Group at the School of Economics, UASLP

Introdução à codificação supervisionada

A codificação supervisionada, por sua vez, usa os valores do desfecho para criar recursos numéricos a partir de preditores nominais.

Introdução à codificação supervisionada

A codificação supervisionada usa os valores do desfecho para criar recursos numéricos a partir de preditores nominais.

Algumas funções de codificação supervisionada disponíveis no pacote embed

Function	Definition
step_lencode_glm()	Usa codificações por verossimilhança para converter um preditor nominal em um único conjunto de pontuações derivadas de um modelo linear generalizado.
step_lencode_bayes()	Aplica codificações bayesianas de verossimilhança para converter um preditor nominal em um único conjunto de pontuações derivadas de um modelo linear generalizado estimado por análise bayesiana.
step_lencode_mixed()	Converte preditores nominais em um único conjunto de pontuações derivadas de um modelo linear generalizado misto.

Prevendo o sucesso de pedidos de bolsa

Queremos prever o sucesso de pedidos de bolsa usando apenas o código do patrocinador.

lr_model <- logistic_reg() # declare model

lr_recipe_glm <- # Set recipe glm
  recipe(class ~ sponsor_code, 
         data = grants_train) %>%
  step_lencode_glm(sponsor_code, 
                   # Declare outcome variable
                   outcome = vars(class))

lr_workflow_glm <- # Create Workflow
  workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe_glm)

Resumo do workflow

lr_workflow_glm

-- Workflow ------------------------------------
Preprocessor: Recipe
Model: logistic_reg()

-- Preprocessor --------------------------------
1 Recipe Step

- step_lencode_glm()

-- Model --------------------------------------
Logistic Regression Model Specification (classification)

Computational engine: glm

Ajustar, aumentar e avaliar

Ajustamos e avaliamos nosso modelo

lr_fit_glm <- # Fit
  lr_workflow_glm %>%
  fit(grants_train)

lr_aug_glm <- # Augment
  lr_fit_glm %>%
  augment(grants_test)

glm_model <- lr_aug_glm %>% # Assess
  class_evaluate(truth = class,
                 estimate = .pred_class,
                 .pred_successful)

Os resultados de desempenho ficam em glm_model

glm_model

# A tibble: 2 × 3
  .metric  .estimator .estimate
  <chr>    <chr>          <dbl>
1 accuracy binary         0.728
2 roc_auc  binary         0.684

Unindo os modelos

Criamos bayes_model e mixed_model para comparar o desempenho dos passos correspondentes.

# Define model names
model <- c("glm", "glm",
           "bayes","bayes",
           "mixed", "mixed")
# Bind models in a tibble
models <- 
bind_rows(glm_model,
          bayes_model,
          mixed_model)%>%
  add_column(model = model)%>%
  select(-.estimator) %>%
  spread(model,.estimate)

Uma tabela de desempenho prática

models

# A tibble: 2 × 4
  .metric  bayes   glm mixed
  <chr>    <dbl> <dbl> <dbl>
1 accuracy 0.718 0.728 0.720
2 roc_auc  0.686 0.684 0.682

Visualizando os resultados

Visualize os resultados em um gráfico de coordenadas paralelas do pacote GGally.

# Libraries
library(GGally)

# Parallel coordinates chart
ggparcoord(models,
           columns = 2:4, 
           groupColumn = 1,
           scale="globalminmax",
           showPoints = TRUE)

Gráfico de coordenadas paralelas de accuracy e roc_auc comparando todos os modelos.

Gráfico de coordenadas paralelas de accuracy e roc_auc comparando todos os modelos.

Vamos praticar!

Feature Engineering em R