Jak pěstovat strom

Machine Learning with Tree-Based Models in R

Sandro Raabe

Data Scientist

Dataset diabetes

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 with Tree-Based Models in R

Použití celého datasetu

  • Použili jste všechna data k trénování – nezbyla žádná pro testování modelu

model_flow_1

Machine Learning with Tree-Based Models in R

Rozdělení dat

datasplit

model a vyhodnocení

Machine Learning with Tree-Based Models in R

Metody rozdělení

splitting methods

splitting_methods2

splitting_methods3

Machine Learning with Tree-Based Models in R

Funkce initial_split()

  • Náhodně rozdělí data na jednu trénovací a jednu testovací sadu
# Split data proportionally (default: 0.75)
diabetes_split <- initial_split(diabetes, prop = 0.9)
diabetes_split

<Analysis/Assess/Total>
<692/76/768>
1 from the rsample package
Machine Learning with Tree-Based Models in R

Funkce training() a testing()

  • Extrakce trénovací a testovací sady z rozdělení dat
diabetes_train <- training(diabetes_split)

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

[1] 0.9007812
1 from rsample
Machine Learning with Tree-Based Models in R

Vyhněte se nevyvážení tříd

# Training count of 'yes' and 'no' outcomes
counts_train <- table(diabetes_train$outcome)
counts_train

 no yes 
490 86

# Training proportion of 'yes' outcome
prop_yes_train <- counts_train["yes"]/
                  sum(counts_train)
prop_yes_train

0.15

# Test data count of 'yes' and 'no' outcomes
counts_test <- table(diabetes_test$outcome)
counts_test

 no yes 
 28  48

# Test data proportion of 'yes' outcome
prop_yes_test <- counts_test["yes"]/
                  sum(counts_test)
prop_yes_test

0.63
Machine Learning with Tree-Based Models in R

Řešení – vynucení podobného rozložení

initial_split(diabetes, 
              prop = 0.9, 
              strata = outcome)
  • Zajišťuje náhodné rozdělení s podobným rozložením proměnné outcome
Machine Learning with Tree-Based Models in R

Rozdělme data!

Machine Learning with Tree-Based Models in R

Preparing Video For Download...