Przepływy pracy w uczeniu maszynowym

Modelowanie z tidymodels w R

David Svancer

Data Scientist

Klasyfikacja z użyciem drzew decyzyjnych

Drzewa decyzyjne dzielą przestrzeń predyktorów na regiony prostokątne

Rekurencyjny podział binarny

Algorytm dzielący przestrzeń predyktorów na nieprzekrywające się regiony prostokątne

Wykres rozrzutu danych lead scoring

Klasyfikacja z użyciem drzew decyzyjnych

Drzewa decyzyjne dzielą przestrzeń predyktorów na regiony prostokątne

Rekurencyjny podział binarny

Algorytm dzielący przestrzeń predyktorów na nieprzekrywające się regiony prostokątne
Podziały dodawane są iteracyjnie
- Poziome lub pionowe punkty cięcia

Wykres rozrzutu z pierwszym podziałem drzewa decyzyjnego

Klasyfikacja z użyciem drzew decyzyjnych

Drzewa decyzyjne dzielą przestrzeń predyktorów na regiony prostokątne

Rekurencyjny podział binarny

Algorytm dzielący przestrzeń predyktorów na nieprzekrywające się regiony prostokątne
Podziały dodawane są iteracyjnie
- Poziome lub pionowe punkty cięcia

Wykres rozrzutu z drugim podziałem drzewa decyzyjnego

Klasyfikacja z użyciem drzew decyzyjnych

Drzewa decyzyjne dzielą przestrzeń predyktorów na regiony prostokątne

Rekurencyjny podział binarny

Algorytm dzielący przestrzeń predyktorów na nieprzekrywające się regiony prostokątne
Podziały dodawane są iteracyjnie
- Poziome lub pionowe punkty cięcia

Wykres rozrzutu z trzecim podziałem drzewa decyzyjnego

Klasyfikacja z użyciem drzew decyzyjnych

Drzewa decyzyjne dzielą przestrzeń predyktorów na regiony prostokątne

Rekurencyjny podział binarny

Algorytm dzielący przestrzeń predyktorów na nieprzekrywające się regiony prostokątne
Podziały dodawane są iteracyjnie
- Poziome lub pionowe punkty cięcia

Tworzy odrębne regiony prostokątne

W klasyfikacji przewidywana jest klasa większościowa

Wykres rozrzutu z czterema prostokątnymi regionami predykcji

Diagramy drzew

Węzły wewnętrzne
- Podziały drzewa decyzyjnego (ciemne pola)
Węzły końcowe
- Regiony bez dalszego podziału
- Pola zielone i fioletowe

Diagram drzewa decyzyjnego

Węzły wewnętrzne to linie przerywane, a węzły końcowe to wyróżnione regiony prostokątne

Wykres rozrzutu z czterema prostokątnymi regionami predykcji

Specyfikacja modelu

Specyfikacja modelu w parsnip

decision_tree()
- Ogólny interfejs do modeli drzew decyzyjnych w parsnip
- Popularny silnik to 'rpart'
- Tryb może być 'classification' lub 'regression'
  - Dla danych lead scoring wymagamy 'classification'

dt_model <- decision_tree() %>% 

  set_engine('rpart') %>%

  set_mode('classification')

Receptura inżynierii cech

Transformacje danych dla danych lead scoring

Zakodowane w obiekcie recipe
- Usunięcie wielokoliniowości
- Normalizacja predyktorów numerycznych
- Tworzenie zmiennych zastępczych dla predyktorów nominalnych

Dwa obiekty R do zarządzania

Model parsnip i specyfikacja recipe
Połączenie ich w jeden obiekt uprościłoby pracę

leads_recipe <- recipe(purchased ~ .,
                       data = leads_training) %>%

  step_corr(all_numeric(), threshold = 0.9) %>% 
  step_normalize(all_numeric()) %>% 
  step_dummy(all_nominal(), -all_outcomes())

leads_recipe

Data Recipe
Inputs:
      role #variables
   outcome          1
 predictor          6

Operations:
Correlation filter on all_numeric()
Centering and scaling for all_numeric()
Dummy variables from all_nominal(), -all_outcomes()

Łączenie modeli i receptur

Pakiet workflows usprawnia proces modelowania

Łączy model parsnip i obiekt recipe w jeden obiekt workflow

Inicjowany funkcją workflow()

Dodaj model za pomocą add_model()
Dodaj obiekt recipe za pomocą add_recipe()
- Musi być specyfikacją, nie wytrenowanym obiektem recipe

leads_wkfl <- workflow() %>%

  add_model(dt_model) %>%

  add_recipe(leads_recipe)


leads_wkfl

== Workflow =====================
Preprocessor: Recipe
Model: decision_tree()
-- Preprocessor -----------------
3 Recipe Steps
* step_corr()
* step_normalize()
* step_dummy()
-- Model --------------------------
Decision Tree Model Specification (classification)
Computational engine: rpart

Dopasowywanie modelu z użyciem przepływów pracy

Trenowanie obiektu workflow

Przekaż workflow do last_fit() i podaj obiekt podziału danych
Wyświetl wyniki ewaluacji modelu za pomocą collect_metrics()

Za kulisami

Tworzenie zbiorów treningowych i testowych
Wytrenowanie i zastosowanie recipe
Trenowanie drzewa decyzyjnego na danych treningowych
Predykcje i metryki na danych testowych

leads_wkfl_fit <- leads_wkfl %>% 
  last_fit(split = leads_split)


leads_wkfl_fit %>% 
  collect_metrics()

# A tibble: 2 x 3
  .metric  .estimator .estimate
  <chr>    <chr>          <dbl>
1 accuracy binary         0.771
2 roc_auc  binary         0.775

Zbieranie predykcji

Obiekt workflow wytrenowany z last_fit() można przekazać do collect_predictions()

Zwraca szczegółowe wyniki na danych testowych
Podobnie jak wcześniej, można używać z funkcjami yardstick do eksploracji własnych metryk

leads_wkfl_preds <- leads_wkfl_fit %>% 
  collect_predictions()


leads_wkfl_preds

# A tibble: 332 x 6
   id          .pred_yes .pred_no  .row .pred_class purchased
  <chr>           <dbl>   <dbl>    <int>   <fct>       <fct>
train/test split  0.120    0.880     2      no          no
train/test split  0.755    0.245    17      yes         yes
train/test split  0.120    0.880    21      no          no
train/test split  0.120    0.880    22      no          no
train/test split  0.755    0.245    24      yes         yes
# ... with 327 more rows

Eksploracja własnych metryk

Utwórz własny zestaw metryk za pomocą metric_set()

Pole pod krzywą ROC, czułość i swoistość

Przekaż zbiory predykcji do leads_metrics(), aby obliczyć metryki

leads_metrics <- metric_set(roc_auc, sens, spec)


leads_wkfl_preds %>% 
  leads_metrics(truth = purchased, 
                estimate = .pred_class, 
                .pred_yes)

# A tibble: 3 x 3
  .metric .estimator .estimate
  <chr>   <chr>          <dbl>
1 sens    binary         0.75 
2 spec    binary         0.783
3 roc_auc binary         0.775

Zbiór danych dotyczących niespłacania pożyczek

Dane finansowe dotyczące pożyczek konsumenckich w banku

Zmienna wynikowa to loan_default

loans_df

# A tibble: 872 x 8
loan_default  loan_purpose   missed_payment_2_yr loan_amount interest_rate installment annual_income debt_to_income
 <fct>           <fct>            <fct>             <int>        <dbl>         <dbl>         <dbl>       <dbl>
 no        debt_consolidation      no              25000         5.47          855.         62823        39.4 
 yes       medical                 no              10000        10.2           364.         40000        24.1 
 no        small_business          no              13000         6.22          442.         65000        14.0 
 no        small_business          no              36000         5.97         1152.        125000         8.09
 yes       small_business          yes             12000        11.8           308.         65000        20.1 
# ... with 867 more rows

Ćwiczmy budowanie przepływów pracy!

Modelowanie z tidymodels w R