Regresja logistyczna na danych Sonar

Uczenie maszynowe z caret w R

Max Kuhn

Software Engineer at RStudio and creator of caret

Modele klasyfikacji

Kategoryczna (jakościowa) zmienna docelowa
Przykład: czy pożyczka zostanie niespłacona?
Nadal forma uczenia nadzorowanego
Ocena wydajności za pomocą podziału na zbiory treningowy i testowy
Użycie zbioru danych Sonar
Cel: odróżnienie skał od min

Przykład: dane Sonar

# Load the Sonar dataset
library(mlbench)
data(Sonar)

# Look at the data
Sonar[1:6, c(1:5, 61)]

      V1     V2     V3     V4     V5 Class
1 0.0200 0.0371 0.0428 0.0207 0.0954     R
2 0.0453 0.0523 0.0843 0.0689 0.1183     R
3 0.0262 0.0582 0.1099 0.1083 0.0974     R
4 0.0100 0.0171 0.0623 0.0205 0.0205     R
5 0.0762 0.0666 0.0481 0.0394 0.0590     R
6 0.0286 0.0453 0.0277 0.0174 0.0384     R

Podział danych

Losowy podział danych na zbiory treningowy i testowy
Podział 60/40 zamiast 80/20
Zbiór Sonar jest mały, więc 60/40 daje większy i bardziej wiarygodny zbiór testowy

Podział danych

# Randomly order the dataset
rows <- sample(nrow(Sonar))
Sonar <- Sonar[rows, ]

# Find row to split on
split <- round(nrow(Sonar) * 0.60)
train <- Sonar[1:split, ]
test <- Sonar[(split + 1):nrow(Sonar), ]

# Confirm test set size
nrow(train) / nrow(Sonar)

0.6009615

Czas na ćwiczenia!

Uczenie maszynowe z caret w R