Je boom laten groeien

Machine Learning met boomgebaseerde modellen in R

Sandro Raabe

Data Scientist

Diabetes-dataset

head(diabetes)

# A tibble: 6 x 9
  outcome pregnancies glucose blood_pressure skin_thickness insulin   bmi    age
  <fct>         <int>   <int>          <int>          <int>   <int> <dbl>  <int>
1 yes               6     148             72             35       0  33.6     50
2 no                1      85             66             29       0  26.6     31
3 yes               8     183             64              0       0  23.3     32
Machine Learning met boomgebaseerde modellen in R

Het hele dataset gebruiken

  • Al je data gebruikt voor training: niets over voor het testen van het model

model_flow_1

Machine Learning met boomgebaseerde modellen in R

Datasplit

datasplit

model en evaluatie

Machine Learning met boomgebaseerde modellen in R

Splitsmethoden

splitsmethoden

splitsmethoden2

splitsmethoden3

Machine Learning met boomgebaseerde modellen in R

De functie initial_split()

  • Splitst data willekeurig in één trainings- en één testset
# Splits data proportioneel (standaard: 0.75)
diabetes_split <- initial_split(diabetes, prop = 0.9)
diabetes_split

<Analysis/Assess/Total>
<692/76/768>
1 uit het pakket rsample
Machine Learning met boomgebaseerde modellen in R

De functies training() en testing()

  • Haal train- en testsets uit een datasplit
diabetes_train <- training(diabetes_split)

diabetes_test  <- testing(diabetes_split)
  • Controle:
    nrow(diabetes_train)/nrow(diabetes)

[1] 0.9007812
1 uit rsample
Machine Learning met boomgebaseerde modellen in R

Voorkom klasse-ongelijkheid

# Aantal 'yes' en 'no' in training
counts_train <- table(diabetes_train$outcome)
counts_train

 no yes 
490 86

# Aandeel 'yes' in training
prop_yes_train <- counts_train["yes"]/
                  sum(counts_train)
prop_yes_train

0.15

# Aantal 'yes' en 'no' in test
counts_test <- table(diabetes_test$outcome)
counts_test

 no yes 
 28  48

# Aandeel 'yes' in test
prop_yes_test <- counts_test["yes"]/
                  sum(counts_test)
prop_yes_test

0.63
Machine Learning met boomgebaseerde modellen in R

Oplossing: vergelijkbare verdelingen afdwingen

initial_split(diabetes, 
              prop = 0.9, 
              strata = outcome)
  • Zorgt voor een willekeurige split met vergelijkbare verdeling van variabele outcome
Machine Learning met boomgebaseerde modellen in R

Laten we splitsen!

Machine Learning met boomgebaseerde modellen in R

Preparing Video For Download...