Het tidymodels-ecosysteem

Modelleren met tidymodels in R

David Svancer

Data Scientist

Verzameling van machinelearning-pakketten

Het pakket tidymodels

Verzameling van machinelearning-pakketten

Data-resampling met rsample

Verzameling van machinelearning-pakketten

Feature engineering met recipes

Verzameling van machinelearning-pakketten

Model fitten met parnsip

Verzameling van machinelearning-pakketten

Modeltuning met tune en dials

Verzameling van machinelearning-pakketten

Modelbeoordeling met yardstick

Supervised machine learning

Tak van machine learning die gelabelde data gebruikt om een model te fitten

Regressie

Voorspellen van kwantitatieve uitkomsten
- Verkoopprijs van een huis

Classificatie

Voorspellen van categorische uitkomsten
- Of een medewerker het bedrijf verlaat

left_company	miles_from_home	salary
no	1	84500
yes	10	64820
no	5	76490
yes	19	68540

tidymodels variablerollen

left_company is een uitkomstvariabele
miles_from_home en salary zijn predictorvariabelen

Data-resampling

Maak trainings- en testsets

Voorkomt overfitting
Gebruikelijk: 75% training, 25% test

Trainingsdata

Feature engineering
Model fitten en tunen

Testdata

Schat modelprestatie op nieuwe data

Trainings- en testdatasets maken

Brandstofefficiëntiedata

Brandstofefficiëntiedata van de U.S. Environmental Protection Agency

Uitkomstvariabele is hwy – snelwegverbruik in miles per gallon (mpg)

mpg

# A tibble: 234 x 11
     hwy   cty displ   cyl manufacturer model       year trans      drv   fl    class  
   <int> <int> <dbl> <int> <chr>        <chr>      <int> <chr>      <chr> <chr> <chr>  
 1    29    18   1.8     4 audi         a4          1999 auto(l5)   f     p     compact
 2    29    21   1.8     4 audi         a4          1999 manual(m5) f     p     compact
 3    31    20   2       4 audi         a4          2008 manual(m6) f     p     compact
 4    30    21   2       4 audi         a4          2008 auto(av)   f     p     compact
 5    26    16   2.8     6 audi         a4          1999 auto(l5)   f     p     compact
# ... with 224 more rows

Data-resampling met tidymodels

initial_split()
- Geeft instructies voor het maken van trainings- en testdatasets
- prop geeft het aandeel voor training op
- strata zorgt voor stratificatie naar de uitkomstvariabele
Geef het splitobject door aan de functie training()

Geef het splitobject door aan de functie testing()

library(tidymodels)

mpg_split <- initial_split(mpg,
                           prop = 0.75,
                           strata = hwy)

mpg_training <- mpg_split %>%
  training()

mpg_test <- mpg_split %>%
  testing()

Huizenverkoopdata

Huizenverkopen in de regio Seattle (Washington) tussen 2015 en 2016

home_sales

# A tibble: 1,492 x 8
   selling_price home_age bedrooms bathrooms sqft_living sqft_lot sqft_basement floors
           <dbl>    <dbl>    <dbl>     <dbl>       <dbl>    <dbl>         <dbl>  <dbl>
 1        487000       10        4      2.5         2540     5001             0      2
 2        465000       10        3      2.25        1530     1245           480      2
 3        411000       18        2      2           1130     1148           330      2
 4        635000        4        3      2.5         3350     4007           800      2
 5        380000       24        5      2.5         2130     8428             0      2
# ... with 1,482 more rows

Laten we oefenen!

Modelleren met tidymodels in R