Ekosystém tidymodels

Modeling with tidymodels in R

David Svancer

Data Scientist

Kolekce balíčků pro strojové učení

Balíček tidymodels

Kolekce balíčků pro strojové učení

Převzorkování dat pomocí rsample

Kolekce balíčků pro strojové učení

Příprava příznaků pomocí recipes

Kolekce balíčků pro strojové učení

Trénování modelu pomocí parsnip

Kolekce balíčků pro strojové učení

Ladění modelu pomocí tune a dials

Kolekce balíčků pro strojové učení

Hodnocení modelu pomocí yardstick

Řízené strojové učení

Odvětví strojového učení využívající označená data pro trénování modelů

Regrese

Předpovídání kvantitativních výstupů
- Prodejní cena nemovitosti

Klasifikace

Předpovídání kategorických výstupů
- Zda zaměstnanec opustí společnost

left_company	miles_from_home	salary
no	1	84500
yes	10	64820
no	5	76490
yes	19	68540

tidymodels role proměnných

left_company je výstupní proměnná
miles_from_home a salary jsou prediktory

Převzorkování dat

Vytvoření trénovací a testovací sady

Chrání před přeučením
Obvyklý poměr je 75 % trénovací, 25 % testovací

Trénovací data

Příprava příznaků
Trénování a ladění modelu

Testovací data

Odhad výkonu modelu na nových datech

Vytváření trénovacích a testovacích datových sad

Data o spotřebě paliva

Data o spotřebě paliva vozidel z americké Agentury pro ochranu životního prostředí

Výstupní proměnná je hwy – spotřeba paliva na dálnici v mílích na galon (mpg)

mpg

# A tibble: 234 x 11
     hwy   cty displ   cyl manufacturer model       year trans      drv   fl    class  
   <int> <int> <dbl> <int> <chr>        <chr>      <int> <chr>      <chr> <chr> <chr>  
 1    29    18   1.8     4 audi         a4          1999 auto(l5)   f     p     compact
 2    29    21   1.8     4 audi         a4          1999 manual(m5) f     p     compact
 3    31    20   2       4 audi         a4          2008 manual(m6) f     p     compact
 4    30    21   2       4 audi         a4          2008 auto(av)   f     p     compact
 5    26    16   2.8     6 audi         a4          1999 auto(l5)   f     p     compact
# ... with 224 more rows

Převzorkování dat pomocí tidymodels

initial_split()
- Definuje instrukce pro vytvoření trénovací a testovací sady
- prop určuje podíl dat pro trénování
- strata zajišťuje stratifikaci podle výstupní proměnné
Předejte objekt rozdělení funkci training()

Předejte objekt rozdělení funkci testing()

library(tidymodels)

mpg_split <- initial_split(mpg,
                           prop = 0.75,
                           strata = hwy)

mpg_training <- mpg_split %>%
  training()

mpg_test <- mpg_split %>%
  testing()

Data o prodeji nemovitostí

Prodeje nemovitostí v oblasti Seattlu ve státě Washington v letech 2015–2016

home_sales

# A tibble: 1,492 x 8
   selling_price home_age bedrooms bathrooms sqft_living sqft_lot sqft_basement floors
           <dbl>    <dbl>    <dbl>     <dbl>       <dbl>    <dbl>         <dbl>  <dbl>
 1        487000       10        4      2.5         2540     5001             0      2
 2        465000       10        3      2.25        1530     1245           480      2
 3        411000       18        2      2           1130     1148           330      2
 4        635000        4        3      2.5         3350     4007           800      2
 5        380000       24        5      2.5         2130     8428             0      2
# ... with 1,482 more rows

Pojďme si procvičit!

Modeling with tidymodels in R