Modelagem de classificação

Introdução ao Processamento de Linguagem Natural em R

Kasey Jones

Research Data Scientist

Recapitulando os passos

Limpar/preparar dados
- Filtrar sentenças de Boxer/Napoleon
- Criar tokens limpos das palavras
- Criar uma matriz documento-termo com pesos TFIDF
Criar conjuntos de treino e teste
Treinar um modelo no conjunto de treino
Reportar a acurácia no conjunto de teste

Passo 2: dividir os dados

set.seed(1111)
sample_size <- floor(0.80 * nrow(animal_matrix))
train_ind <- sample(nrow(animal_matrix), size = sample_size)

train <- animal_matrix[train_ind, ]
test <- animal_matrix[-train_ind, ]

Modelos de random forest

Machine Learning with Tree-Based Models in R

Exemplo de classificação

library(randomForest)
rfc <- randomForest(x = as.data.frame(as.matrix(train)), 
                    y = animal_sentences$Name[train_ind], nTree = 50)
rfc

Call:
 randomForest(...
        OOB estimate of  error rate: 23.33%
Confusion matrix:
         boxer napoleon class.error
boxer       37       20   0.3508772
napoleon     8       55   0.1269841

A matriz de confusão

Call:
 randomForest(...
        OOB estimate of  error rate: 23.33%
Confusion matrix:
         boxer napoleon class.error
boxer       37       20   0.3508772
napoleon     8       55   0.1269841

Acurácia: (37 + 55) / (37 + 20 + 8 + 55) = 76%

Predições no conjunto de teste

y_pred <- predict(rfc, newdata = as.data.frame(as.matrix(test)))

table(animal_sentences[-train_ind, ]$Name, y_pred)

          y_pred
           boxer napoleon
  boxer       14        4
  napoleon     2       10

Acurácia para boxer: 14/18
Acurácia para napoleon: 10/12
Acurácia geral: 24/30 = 80%

Prática de classificação

Introdução ao Processamento de Linguagem Natural em R