tidymodels ile Model Kurma ve Değerlendirme

R'de Boyutsal Azaltma

Matt Pickard

Owner, Pickard Predictives, LLC

Model kurma süreci

model kurmanın ilk adımı veriyi ayırmaktır

Model kurma süreci

model kurmanın ikinci adımı veriyi hazırlamaktır

Model kurma süreci

model kurmanın üçüncü adımı modeli eğitmektir

Model kurma süreci

model kurmanın dördüncü adımı modeli değerlendirmektir

tidymodels ile model kurma

tidymodels, veriyi eğitim ve test setlerine ayırmak için işlevler içerir

tidymodels ile model kurma

tidymodels tarifleri, veriyi ön işlemek için adım işlevleri sunar

tidymodels ile model kurma

tidymodels, iş akışında çeşitli modelleri eğitmek için işlevler sağlar

Eğitim ve test setlerine ayırma

split <- initial_split(credit_df, prop = 0.8, strata = credit_score)


train <- split %>% training()


test <-  split %>% testing()

Bir recipe ve model oluşturma

feature_selection_recipe <- 
  recipe(credit_score ~ ., data = train) %>%

  step_filter_missing(all_predictors(), threshold = 0.5) %>%

  step_scale(all_numeric_predictors()) %>%

  step_nzv(all_predictors()) %>%

  prep()

lr_model <- logistic_reg() %>%

  set_engine("glm")

İş akışını oluşturma ve eğitme

credit_wflow <- workflow() %>%

  add_recipe(feature_selection_recipe) %>%

  add_model(lr_model)


credit_fit <- 
  credit_wflow %>% fit(data = train)

Modeli değerlendirme

# Predict test data
credit_pred_df <- predict(credit_fit, test) %>% 
  bind_cols(test %>% select(credit_score))


# Evaluate F score
f_meas(credit_pred_df, credit_score, .pred_class)

# A tibble: 1 × 3
  .metric .estimator .estimate
  <chr>   <chr>          <dbl>
1 f_meas  macro          0.519

tidy() ile recipe’i inceleme

tidy(feature_selection_recipe, number = 1)

# A tibble: 2 × 2
  terms            id                  
  <chr>            <chr>               
1 age              filter_missing_gVVfc
2 outstanding_debt filter_missing_gVVfc

tidy() ile modeli inceleme

# Display model estimates
tidy(credit_fit)

# A tibble: 44 × 5
   term                estimate std.error statistic p.value
   <chr>                  <dbl>     <dbl>     <dbl>   <dbl>
 1 (Intercept)           2.88       0.918    3.13   0.00173
 2 monthAugust          -0.449      0.236   -1.91   0.0565 
 3 monthFebruary        17.7      677.       0.0262 0.979  
 4 monthJanuary         17.7      661.       0.0268 0.979  
 ...                    ...       ...        ...    ...

Hadi pratik yapalım!

R'de Boyutsal Azaltma