Volledige modelworkflow

Modelleren met tidymodels in R

David Svancer

Data Scientist

Data resamplen

Trainings- en testsets maken

  • initial_split()
    • Maak een datasplit-object
  • training()
    • Bouw de trainingsset
  • testing()
    • Bouw de testset
leads_split <- initial_split(leads_df, 
                             strata = purchased)

leads_training <- leads_split %>% training()
leads_test <- leads_split %>% testing()
Modelleren met tidymodels in R

Model specificeren

Specificeer model met parsnip

  • logistic_reg()
    • Algemene interface voor logistische regressie
  • set_engine()
    • 'glm'-engine
  • set_mode()
    • purchased is een nominale uitkomstvariabele
    • Mode moet 'classification' zijn
logistic_model <- logistic_reg() %>%

set_engine('glm') %>%
set_mode('classification')
Logistic Regression Model 
Specification (classification)

Computational engine: glm
Modelleren met tidymodels in R

Feature engineering

Specificeer feature-engineeringstappen met recipes

  • recipe()
    • Modelformule en trainingsdata
  • step_*()-functies
    • Sequentiële preprocessingstappen
leads_recipe <- recipe(purchased ~ .,
                       data = leads_training) %>%

step_corr(all_numeric(), threshold = 0.9) %>% step_normalize(all_numeric()) %>% step_dummy(all_nominal(), -all_outcomes())
leads_recipe
Data Recipe
Inputs:
      role #variables
   outcome          1
 predictor          6

Operations:
Correlation filter on all_numeric()
Centering and scaling for all_numeric()
Dummy variables from all_nominal(), -all_outcomes()
Modelleren met tidymodels in R

Recipe trainen

Train feature-engineeringstappen op de trainingsdata

  • prep()
    • Geef het recipe-object door aan prep()
    • Voeg leads_training toe als trainingsdata
leads_recipe_prep <- leads_recipe %>% 
  prep(training = leads_training)
leads_recipe_prep
Data Recipe
Inputs:
      role #variables
   outcome          1
 predictor          6
Training data contained 996 data points 
and no missing data.

Operations:
Correlation filter removed pages_per_visit [trained]
Centering and scaling for total_visits ... [trained]
Dummy variables from lead_source, us_location [trained]
Modelleren met tidymodels in R

Trainingsdata preprocessen

Pas de getrainde recipe toe op de trainingsdata en sla de resultaten op voor het fitten

leads_training_prep <- leads_recipe_prep %>% 
  bake(new_data = NULL)

leads_training_prep
# A tibble: 996 x 11
total_visits  total_time   ... lead_source_email  lead_source_organic_search ...  us_location_west
     <dbl>      <dbl>                <dbl>                      <dbl>                    <dbl>        
 1    0.611      0.958      ...       0                          0            ...         1
 2    0.103     -0.747      ...       1                          0            ...         0
 3    0.611     -0.278      ...       0                          1            ...         1
 4   -0.151     -0.842      ...       0                          0            ...         1
 5   -0.659      1.19       ...       1                          0            ...         0 
# ... with 991 more rows
Modelleren met tidymodels in R

Testdata preprocessen

Pas de getrainde recipe toe op de testdata en sla de resultaten op voor evaluatie

leads_test_prep <- leads_recipe_prep %>% 
  bake(new_data = leads_test)

leads_test_prep
# A tibble: 332 x 11
 total_visits  total_time  ...  lead_source_email  lead_source_organic_search ...  us_location_west
     <dbl>      <dbl>                <dbl>                      <dbl>                    <dbl>        
 1    0.864     -0.984     ...        0                          0            ...         1
 2   -0.151      1.33      ...        0                          0            ...         0
 3   -0.405     -0.843     ...        0                          1            ...         1
 4   -0.659     -1.14      ...        1                          0            ...         0
 5    1.12       0.725     ...        0                          0            ...         1   
# ... with 327 more rows
Modelleren met tidymodels in R

Model fitten en voorspellen

Train een logistisch regressiemodel met fit()

  • Gebruik de voorbewerkte trainingsset, leads_training_prep

 

Krijg voorspellingen met predict()

  • Voorspel klassen en kansen
  • Gebruik de voorbewerkte testset, leads_test_prep
logistic_fit <- logistic_model %>% 
  fit(purchased ~ .,
      data = leads_training_prep)

 

class_preds <- predict(logistic_fit, 
                       new_data = leads_test_prep,
                       type = 'class')

prob_preds <- predict(logistic_fit, 
                      new_data = leads_test_prep,
                      type = 'prob')
Modelleren met tidymodels in R

Voorspellingsresultaten combineren

Combineer voorspellingen in een resultaten-set voor yardstick-metrics

  • Selecteer de echte uitkomstvariabele purchased uit de testset
  • Voeg voorspellingen samen met bind_cols()
leads_results <- leads_test %>% 
  select(purchased) %>%

bind_cols(class_preds, prob_preds)
leads_results
# A tibble: 332 x 4
   purchased .pred_class .pred_yes .pred_no
   <fct>     <fct>           <dbl>    <dbl>
 1 no        no             0.257     0.743
 2 yes       yes            0.896     0.104
 3 no        no             0.0852    0.915
 4 no        no             0.183     0.817
 5 yes       yes            0.776     0.224
# ... with 327 more rows
Modelleren met tidymodels in R

Model evalueren

Evalueer modelprestatie met yardstick

  • De resultaten-set werkt met alle yardstick-metrics voor evaluatie
  • Confusion matrix, sensitiviteit, specificiteit en andere metrics
leads_results %>% 
  conf_mat(truth = purchased, 
           estimate = .pred_class)

 

          Truth
Prediction yes  no
       yes  77  34
       no   43 178
Modelleren met tidymodels in R

Laten we oefenen!

Modelleren met tidymodels in R

Preparing Video For Download...