Vytváření nových příznaků pomocí znalostí z oboru

Feature Engineering v R

Jorge Zazueta

Research Professor and Head of the Modeling Group at the School of Economics, UASLP

Důležitost znalostí z oboru

Znalosti z oboru nám pomáhají identifikovat a vytvářet relevantní příznaky pro daný model nebo úlohu.

Feature engineering spočívá ve vytváření nových vstupních příznaků z existujících dat.

Příklady znalostí z oboru:

Finance: Klíčové faktory bankrotu
Medicína: Předchozí stavy relevantní pro konkrétní léčbu
Marketing: Charakteristické rysy skupiny spotřebitelů

Vytváření proměnných na základě odborných zkušeností

Chceme předpovídat storna hotelových rezervací na základě následujícího vektoru příznaků:

features <- 
c("IsCanceled", "LeadTime",
  "arrival_date",
  "StaysInWeekendNights",
  "StaysInWeekNights",
  "PreviousCancellations",
  "PreviousBookingsNotCanceled",
  "ReservedRoomType",
  "AssignedRoomType","BookingChanges",
  "DepositType","CustomerType",
  "ADR","TotalOfSpecialRequests")

Příznaky ze surových dat

Z arrival_date lze odvodit informativní příznaky.

Datum příjezdu lze rozložit na den v týdnu, týden, měsíc a svátek

To se ale rychle stává zdlouhavým. Je třeba to zautomatizovat!

Framework tidymodels

Budeme používat workflow založené na tidymodels – kolekci balíčků pro modelování a strojové učení podle principů tidyverse (1) s důrazem na feature engineering.

Jednoduchý tidymodels workflow: načtení dat, deklarace modelu, rozdělení dat, nastavení receptu, sestavení workflow, natrénování a vyhodnocení výkonnosti.

Více informací na www.tidymodels.org

¹ [Základní principy Tidyverse.](https://design.tidyverse.org/unifying-principles.html)

Příprava dat pro analýzu

Nejprve připravíme data.

cancelations <- 
  cancelations %>% 
  mutate(across(where(is_character),as.factor))

set.seed(123)
split <- cancellations %>% 
    initial_split(
    strata = "IsCanceled")
train <- training(split)
test <- testing(split)

Parametr prop umožňuje změnit poměr rozdělení dat (výchozí hodnota je 3/4).

initial_split(data, prop = 3/4, strata = NULL)

Ověřte, že sady train a test mají podobné proporce zrušených rezervací.

train %>% 
  select(IsCanceled) %>% table() %>% 
  prop.table()

IsCanceled
        0         1 
0.5826946 0.4173054

test %>% 
  select(IsCanceled) %>% table() %>% 
  prop.table()

IsCanceled
        0         1 
0.5827788 0.4172212

Sestavení workflow

Deklarujeme model

lr_model <- logistic_reg()

Vytvoříme recept

lr_recipe <- 
  recipe(IsCanceled ~., data = train) %>%
  update_role(Agent, new_role = "ID" ) %>%
  step_date(arrival_date, 
      features = c("dow", "week", "month")) %>%
  step_holiday(arrival_date, 
      holidays = timeDate::listHolidays("US")) %>%
  step_rm(arrival_date) %>%
  step_dummy(all_nominal_predictors())

Výpis lr_recipe

Recipe
Inputs:

      role #variables
        ID          1
   outcome          1
 predictor         13

Operations:

Date features from arrival_date
Holiday features from arrival_date
Variables removed arrival_date
Dummy variables from all_nominal_predictors()

Sestavení workflow

Spojíme model a recept do objektu workflow.

lr_workflow <- 
  workflow()%>%
  add_model(lr_model)%>%
  add_recipe(lr_recipe)

Natrénujeme workflow

lr_fit <- 
  lr_workflow %>%
  fit(data = train)

Sestavení workflow

Pomocí tidy(lr_fit) můžeme shrnout náš model.

# A tibble: 65 × 5
   term                        estimate std.error statistic   p.value
   <chr>                          <dbl>     <dbl>     <dbl>     <dbl>
 1 (Intercept)                 -1.92     0.228        -8.43 3.57e- 17
 2 LeadTime                     0.00414  0.000268     15.4  1.16e- 53
 3 StaysInWeekendNights         0.0860   0.0382        2.25 2.45e-  2
 4 StaysInWeekNights            0.0804   0.0185        4.34 1.40e-  5
 5 PreviousCancellations        2.39     0.147        16.2  2.45e- 59
 6 PreviousBookingsNotCanceled -0.440    0.0450       -9.77 1.45e- 22
 7 BookingChanges              -0.449    0.0463       -9.69 3.18e- 22
 8 ADR                          0.0104   0.000782     13.2  4.85e- 40
 9 TotalOfSpecialRequests      -0.727    0.0316      -23.0  5.29e-117
10 arrival_date_week            0.0245   0.0171        1.43 1.53e-  1
# … with 55 more rows
# ℹ Use `print(n = ...)` to see more rows

Vyhodnocení výkonnosti modelu

Nyní můžeme vyhodnotit výkonnost modelu.

lr_aug <- lr_fit %>% augment(test)

bind_rows(
  lr_aug %>% 
  roc_auc(truth = IsCanceled,.pred_0),
  lr_aug %>% 
  accuracy(truth = IsCanceled,.pred_class))

# A tibble: 2 × 3
  .metric  .estimator .estimate
  <chr>    <chr>          <dbl>
1 roc_auc  binary         0.842
2 accuracy binary         0.782

lr_aug %>%
  roc_curve(truth = IsCanceled, .pred_0) %>%
  autoplot()

Křivka ROC (Receiver Operator Characteristic) našeho modelu.

Pojďme procvičovat!

Feature Engineering v R