Základy přehledného strojového učení

Machine Learning in the Tidyverse

Dmitriy (Dima) Gorenshteyn

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

Základ přehledného strojového učení

Pracovní postup se sloupcovými seznamy

Datová sada Gapminder

Balíček dslabs
Pozorování: 77 zemí, 52 let na zemi (1960–2011)
Proměnné:
- year
- infant_mortality
- life_expectancy
- fertility
- population
- gdpPercap

Pracovní postup se sloupcovými seznamy

Krok 1: Vytvoření sloupcového seznamu – vnořování dat

Vnořování podle země

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

Zobrazení vnořeného tibble

> 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

Krok 3: Zjednodušení sloupcových seznamů – 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   ...

Začínáme!

Machine Learning in the Tidyverse