Beslisboom

Machine Learning met PySpark

Andrew Collier

Data Scientist, Fathom Data

Anatomie van een beslisboom: rootknoop

Wortelknoop van een beslisboom.

Anatomie van een beslisboom: eerste split

Beslisboom met één split

Anatomie van een beslisboom: tweede split

Beslisboom met tweede split

Anatomie van een beslisboom: derde split

Beslisboom met derde split

Auto's classificeren

Classificeer auto's naar land van productie.

+---+----+------+------+----+-----------+----------------------------------+-----+
|cyl|size|mass  |length|rpm |consumption|features                          |label|
+---+----+------+------+----+-----------+----------------------------------+-----+
|6  |3.0 |1451.0|4.775 |5200|9.05       |[6.0,3.0,1451.0,4.775,5200.0,9.05]|1.0  |
|4  |2.2 |1129.0|4.623 |5200|6.53       |[4.0,2.2,1129.0,4.623,5200.0,6.53]|0.0  |
|4  |2.2 |1399.0|4.547 |5600|7.84       |[4.0,2.2,1399.0,4.547,5600.0,7.84]|1.0  |
|4  |1.8 |1147.0|4.343 |6500|7.84       |[4.0,1.8,1147.0,4.343,6500.0,7.84]|0.0  |
|4  |1.6 |1111.0|4.216 |5750|9.05       |[4.0,1.6,1111.0,4.216,5750.0,9.05]|0.0  |
+---+----+------+------+----+-----------+----------------------------------+-----+

label = 0 -> gemaakt in de VS
      = 1 -> elders gemaakt

Train/test-split

Splits de data in train- en testsets.

# Specify a seed for reproducibility
cars_train, cars_test = cars.randomSplit([0.8, 0.2], seed=23)

Twee DataFrames: cars_train en cars_test.

[cars_train.count(), cars_test.count()]

[79, 13]

Een beslisboommodel bouwen

from pyspark.ml.classification import DecisionTreeClassifier

Maak een Decision Tree-classifier.

tree = DecisionTreeClassifier()

Leer van de trainingsdata.

tree_model = tree.fit(cars_train)

Evalueren

Maak voorspellingen op de testdata en vergelijk met bekende waarden.

prediction = tree_model.transform(cars_test)

+-----+----------+---------------------------------------+
|label|prediction|probability                            |
+-----+----------+---------------------------------------+
|1.0  |0.0       |[0.9615384615384616,0.0384615384615385]|
|1.0  |1.0       |[0.2222222222222222,0.7777777777777778]|
|1.0  |1.0       |[0.2222222222222222,0.7777777777777778]|
|0.0  |0.0       |[0.9615384615384616,0.0384615384615385]|
|1.0  |1.0       |[0.2222222222222222,0.7777777777777778]|
+-----+----------+---------------------------------------+

Confusion matrix

Een confusion matrix is een tabel die de prestaties op testdata beschrijft.

prediction.groupBy("label", "prediction").count().show()

+-----+----------+-----+
|label|prediction|count|
+-----+----------+-----+
|  1.0|       1.0|    8| <- True positive  (TP)
|  0.0|       1.0|    2| <- False positive (FP)
|  1.0|       0.0|    3| <- False negative (FN)
|  0.0|       0.0|    6| <- True negative  (TN)
+-----+----------+-----+

Accuracy = (TN + TP) / (TN + TP + FN + FP) — aandeel correcte voorspellingen.

Laten we beslisbomen bouwen!

Machine Learning met PySpark