Fondamenti di Tidy Machine Learning

Machine Learning nel tidyverse

Dmitriy (Dima) Gorenshteyn

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

Il cuore del Tidy Machine Learning

Flusso di lavoro con colonne lista

Il dataset Gapminder

pacchetto dslabs
Osservazioni: 77 paesi per 52 anni ciascuno (1960-2011)
Variabili:
- year
- infant_mortality
- life_expectancy
- fertility
- population
- gdpPercap

Flusso di lavoro con colonne lista

Passo 1: Crea una colonna lista - annida i dati

Annidare per paese

library(tidyverse)
nested <- gapminder %>%
          group_by(country) %>%
          nest()

Visualizzare una tibble annidata

> nested$data[[4]]
# A tibble: 52 x 6
    year infant_mortality life_expectancy fertility population gdpPercap
   <int>            <dbl>           <dbl>     <dbl>      <dbl>     <int>
 1  1960             37.3            68.8      2.70    7065525      7415
 2  1961             35.0            69.7      2.79    7105654      7781
 3  1962             32.9            69.5      2.80    7151077      7937
 4  1963             31.2            69.6      2.82    7199962      8209
 5  1964             29.7            70.1      2.80    7249855      8652
 6  1965             28.3            69.9      2.70    7298794      8893

Passo 3: Semplifica le colonne lista - unnest()

nested %>% 
  unnest(data)

# A tibble: 4,004 x 7
   country  year infant_mortality life_expectancy fertility population   ...
   <fct>   <int>            <dbl>           <dbl>     <dbl>      <dbl>   ...
 1 Algeria  1960              148            47.5      7.65   11124892   ...
 2 Algeria  1961              148            48.0      7.65   11404859   ...
 3 Algeria  1962              148            48.6      7.65   11690152   ...
 4 Algeria  1963              148            49.1      7.65   11985130   ...
 5 Algeria  1964              149            49.6      7.65   12295973   ...
 6 Algeria  1965              149            50.1      7.66   12626953   ...

Iniziamo!

Machine Learning nel tidyverse