Fundamentos de Tidy Machine Learning

Machine Learning no tidyverse

Dmitriy (Dima) Gorenshteyn

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

O Núcleo do Tidy Machine Learning

Fluxo com Colunas de Lista

O Conjunto de Dados Gapminder

pacote dslabs
Observações: 77 países por 52 anos por país (1960-2011)
Variáveis:
- year
- infant_mortality
- life_expectancy
- fertility
- population
- gdpPercap

Fluxo com Colunas de Lista

Passo 1: Criar uma Coluna de Lista - Aninhar os Dados

Aninhando por País

library(tidyverse)
nested <- gapminder %>%
          group_by(country) %>%
          nest()

Visualizando um Tibble Aninhado

> nested$data[[4]]
# A tibble: 52 x 6
    year infant_mortality life_expectancy fertility population gdpPercap
   <int>            <dbl>           <dbl>     <dbl>      <dbl>     <int>
 1  1960             37.3            68.8      2.70    7065525      7415
 2  1961             35.0            69.7      2.79    7105654      7781
 3  1962             32.9            69.5      2.80    7151077      7937
 4  1963             31.2            69.6      2.82    7199962      8209
 5  1964             29.7            70.1      2.80    7249855      8652
 6  1965             28.3            69.9      2.70    7298794      8893

Passo 3: Simplificar Colunas de Lista - unnest()

nested %>% 
  unnest(data)

# A tibble: 4,004 x 7
   country  year infant_mortality life_expectancy fertility population   ...
   <fct>   <int>            <dbl>           <dbl>     <dbl>      <dbl>   ...
 1 Algeria  1960              148            47.5      7.65   11124892   ...
 2 Algeria  1961              148            48.0      7.65   11404859   ...
 3 Algeria  1962              148            48.6      7.65   11690152   ...
 4 Algeria  1963              148            49.1      7.65   11985130   ...
 5 Algeria  1964              149            49.6      7.65   12295973   ...
 6 Algeria  1965              149            50.1      7.66   12626953   ...

Vamos começar!

Machine Learning no tidyverse