Klasifikační modelování

Úvod do zpracování přirozeného jazyka v R

Kasey Jones

Research Data Scientist

Shrnutí kroků

Čištění/příprava dat
- Filtrování vět Boxer/Napoleon
- Vytvoření vyčištěných tokenů slov
- Vytvoření matice dokumentů a termínů s váhováním TFIDF
Vytvoření trénovací a testovací sady
Trénování modelu na trénovací sadě
Vyhodnocení přesnosti na testovací sadě

Krok 2: rozdělení dat

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, ]

Modely náhodného lesa

Strojové učení se stromovými modely v R

Příklad klasifikace

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

Matice záměn

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

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

Předpovědi na testovací sadě

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

Přesnost pro boxer: 14/18
Přesnost pro napoleon: 10/12
Celková přesnost: 24/30 = 80 %

Procvičování klasifikace

Úvod do zpracování přirozeného jazyka v R