Modelowanie klasyfikacyjne

Wprowadzenie do przetwarzania języka naturalnego w R

Kasey Jones

Research Data Scientist

Podsumowanie kroków

Czyszczenie/przygotowanie danych
- Filtrowanie do zdań Boxera/Napoleona
- Utworzenie oczyszczonych tokenów słów
- Utworzenie macierzy dokumentów-terminów z ważeniem TFIDF
Utworzenie zbiorów treningowego i testowego
Trenowanie modelu na zbiorze treningowym
Raportowanie dokładności na zbiorze testowym

Krok 2: podział danych

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, ]

Modele lasów losowych

Machine Learning with Tree-Based Models in R

Przykład klasyfikacji

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

Macierz pomyłek

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

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

Predykcje na zbiorze testowym

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

Dokładność dla boxera: 14/18
Dokładność dla napoleona: 10/12
Ogólna dokładność: 24/30 = 80%

Ćwiczenia z klasyfikacji

Wprowadzenie do przetwarzania języka naturalnego w R