Modele lasu losowego

Redukcja wymiarowości w R

Matt Pickard

Owner, Pickard Predictives, LLC

Las losowy

Model zespołowy
- podejście „mądrości tłumu"
Agreguje predykcje wielu losowych drzew
Losowe, nieskorelowane drzewa redukują błąd
Zapobiega przeuczeniu
Dokładny
Wykonuje selekcję cech

Diagram przedstawiający model zespołowy złożony z kilku drzew decyzyjnych oraz sposób łączenia ich głosów w jeden końcowy wynik.

Las losowy

Diagram pokazujący, jak tworzone są różne poddrzewa przy użyciu różnych podzbiorów cech.

Trening lasu losowego

library(tidymodels)


rf <- rand_forest(mode = "classification",  trees = 200) %>% 
  set_engine("ranger", importance = "impurity")


rf_fit <- rf %>% 
  fit(credit_score ~ ., data = train)


predict_df <- test %>%  
  bind_cols(predict = predict(rf_fit, test))

Ocena modelu

f_meas(predict_df, credit_score, .pred_class)

0.6895

Ważność zmiennych

library(vip)

rf_fit %>% vip()

Wykres słupkowy ważności zmiennych.

Maska cech

top_features <- rf_fit %>% 
  vi(rank = TRUE) %>% 
  filter(Importance <= 10) %>% 
  pull(Variable)

top_features

 [1] "outstanding_debt"        "interest_rate"          
 [3] "delay_from_due_date"     "changed_credit_limit"   
 [5] "credit_history_months"   "num_credit_card"        
 [7] "monthly_balance"         "num_of_delayed_payment" 
 [9] "annual_income"           "amount_invested_monthly"

Redukcja danych

train_reduced <- train[top_features]
test_reduced <- test[top_features]

Wydajność

rf_fit <- rf %>% 
  fit(credit_score ~ ., data = train_reduced) 

predict_reduced_df <- test_reduced %>%  
  bind_cols(predict = predict(rf_fit, test_reduced)) 

f_meas(predict_reduced_df, credit_score, .pred_class)

0.6738

F-score modelu bez redukcji:

0.6895

Czas na ćwiczenia!

Redukcja wymiarowości w R