Cum să vă construiți arborele

Machine Learning cu modele bazate pe arbori în R

Sandro Raabe

Data Scientist

Setul de date Diabetes

head(diabetes)

# A tibble: 6 x 9
  outcome pregnancies glucose blood_pressure skin_thickness insulin   bmi    age
  <fct>         <int>   <int>          <int>          <int>   <int> <dbl>  <int>
1 yes               6     148             72             35       0  33.6     50
2 no                1      85             66             29       0  26.6     31
3 yes               8     183             64              0       0  23.3     32
Machine Learning cu modele bazate pe arbori în R

Utilizarea întregului set de date

  • Ați folosit toate datele pentru antrenament — nu au rămas date pentru testare

model_flow_1

Machine Learning cu modele bazate pe arbori în R

Divizarea datelor

divizarea datelor

model și evaluare

Machine Learning cu modele bazate pe arbori în R

Metode de divizare

metode de divizare

metode de divizare 2

metode de divizare 3

Machine Learning cu modele bazate pe arbori în R

Funcția initial_split()

  • Împarte datele aleatoriu într-un set de antrenament și unul de test
# Split data proportionally (default: 0.75)
diabetes_split <- initial_split(diabetes, prop = 0.9)
diabetes_split

<Analysis/Assess/Total>
<692/76/768>
1 from the rsample package
Machine Learning cu modele bazate pe arbori în R

Funcțiile training() și testing()

  • Extragerea seturilor de antrenament și test dintr-o divizare
diabetes_train <- training(diabetes_split)

diabetes_test  <- testing(diabetes_split)
  • Verificare:
    nrow(diabetes_train)/nrow(diabetes)

[1] 0.9007812
1 from rsample
Machine Learning cu modele bazate pe arbori în R

Evitarea dezechilibrului de clase

# Training count of 'yes' and 'no' outcomes
counts_train <- table(diabetes_train$outcome)
counts_train

 no yes 
490 86

# Training proportion of 'yes' outcome
prop_yes_train <- counts_train["yes"]/
                  sum(counts_train)
prop_yes_train

0.15

# Test data count of 'yes' and 'no' outcomes
counts_test <- table(diabetes_test$outcome)
counts_test

 no yes 
 28  48

# Test data proportion of 'yes' outcome
prop_yes_test <- counts_test["yes"]/
                  sum(counts_test)
prop_yes_test

0.63
Machine Learning cu modele bazate pe arbori în R

Soluție — distribuții similare forțate

initial_split(diabetes, 
              prop = 0.9, 
              strata = outcome)
  • Asigură o divizare aleatorie cu distribuție similară a variabilei outcome
Machine Learning cu modele bazate pe arbori în R

Să împărțim datele!

Machine Learning cu modele bazate pe arbori în R

Preparing Video For Download...