Budowanie i ocena modeli w tidymodels

Redukcja wymiarowości w R

Matt Pickard

Owner, Pickard Predictives, LLC

Proces dopasowywania modelu

pierwszy krok dopasowywania modelu to podział danych

Proces dopasowywania modelu

drugi krok dopasowywania modelu to przygotowanie danych

Proces dopasowywania modelu

trzeci krok dopasowywania modelu to dopasowanie modelu

Proces dopasowywania modelu

czwarty krok dopasowywania modelu to ocena modelu

Dopasowywanie modelu w tidymodels

tidymodels zawiera funkcje do podziału danych na zbiory treningowy i testowy

Dopasowywanie modelu w tidymodels

przepisy tidymodels zawierają funkcje do tworzenia kroków przetwarzania danych

Dopasowywanie modelu w tidymodels

tidymodels zawiera funkcje do dopasowywania różnych modeli w przepływie pracy

Podział na zbiory treningowy i testowy

split <- initial_split(credit_df, prop = 0.8, strata = credit_score)


train <- split %>% training()


test <-  split %>% testing()

Tworzenie przepisu i modelu

feature_selection_recipe <- 
  recipe(credit_score ~ ., data = train) %>%

  step_filter_missing(all_predictors(), threshold = 0.5) %>%

  step_scale(all_numeric_predictors()) %>%

  step_nzv(all_predictors()) %>%

  prep()

lr_model <- logistic_reg() %>%

  set_engine("glm")

Tworzenie i dopasowywanie przepływu pracy

credit_wflow <- workflow() %>%

  add_recipe(feature_selection_recipe) %>%

  add_model(lr_model)


credit_fit <- 
  credit_wflow %>% fit(data = train)

Ocena modelu

# Predict test data
credit_pred_df <- predict(credit_fit, test) %>% 
  bind_cols(test %>% select(credit_score))


# Evaluate F score
f_meas(credit_pred_df, credit_score, .pred_class)

# A tibble: 1 × 3
  .metric .estimator .estimate
  <chr>   <chr>          <dbl>
1 f_meas  macro          0.519

Eksploracja przepisu za pomocą tidy()

tidy(feature_selection_recipe, number = 1)

# A tibble: 2 × 2
  terms            id                  
  <chr>            <chr>               
1 age              filter_missing_gVVfc
2 outstanding_debt filter_missing_gVVfc

Eksploracja modelu za pomocą tidy()

# Display model estimates
tidy(credit_fit)

# A tibble: 44 × 5
   term                estimate std.error statistic p.value
   <chr>                  <dbl>     <dbl>     <dbl>   <dbl>
 1 (Intercept)           2.88       0.918    3.13   0.00173
 2 monthAugust          -0.449      0.236   -1.91   0.0565 
 3 monthFebruary        17.7      677.       0.0262 0.979  
 4 monthJanuary         17.7      661.       0.0268 0.979  
 ...                    ...       ...        ...    ...

Czas na ćwiczenia!

Redukcja wymiarowości w R