Modellazione di classificazione

Introduzione all'Elaborazione del Linguaggio Naturale in R

Kasey Jones

Research Data Scientist

Riepilogo dei passaggi

Pulizia/preparazione dati
- Filtra a frasi di Boxer/Napoleon
- Crea token puliti delle parole
- Crea una document-term matrix con pesi TF-IDF
Crea training e test set
Allena un modello sul training set
Riporta l'accuratezza sul test set

Passo 2: suddividi i dati

set.seed(1111)
sample_size <- floor(0.80 * nrow(animal_matrix))
train_ind <- sample(nrow(animal_matrix), size = sample_size)

train <- animal_matrix[train_ind, ]
test <- animal_matrix[-train_ind, ]

Modelli Random Forest

Machine Learning con modelli ad alberi in R

Esempio di classificazione

library(randomForest)
rfc <- randomForest(x = as.data.frame(as.matrix(train)), 
                    y = animal_sentences$Name[train_ind], nTree = 50)
rfc

Call:
 randomForest(...
        OOB estimate of  error rate: 23.33%
Confusion matrix:
         boxer napoleon class.error
boxer       37       20   0.3508772
napoleon     8       55   0.1269841

La confusion matrix

Call:
 randomForest(...
        OOB estimate of  error rate: 23.33%
Confusion matrix:
         boxer napoleon class.error
boxer       37       20   0.3508772
napoleon     8       55   0.1269841

Accuratezza: (37 + 55) / (37 + 20 + 8 + 55) = 76%

Predizioni sul test set

y_pred <- predict(rfc, newdata = as.data.frame(as.matrix(test)))

table(animal_sentences[-train_ind, ]$Name, y_pred)

          y_pred
           boxer napoleon
  boxer       14        4
  napoleon     2       10

Accuratezza per boxer: 14/18
Accuratezza per napoleon: 10/12
Accuratezza totale: 24/30 = 80%

Esercizio di classificazione

Introduzione all'Elaborazione del Linguaggio Naturale in R