Ecosistemul tidymodels

Modelare cu tidymodels în R

David Svancer

Data Scientist

Colecție de pachete de machine learning

Pachetul tidymodels

Modelare cu tidymodels în R

Colecție de pachete de machine learning

Reeșantionarea datelor cu rsample

Modelare cu tidymodels în R

Colecție de pachete de machine learning

Ingineria caracteristicilor cu recipes

Modelare cu tidymodels în R

Colecție de pachete de machine learning

Ajustarea modelului cu parsnip

Modelare cu tidymodels în R

Colecție de pachete de machine learning

Optimizarea modelului cu tune și dials

Modelare cu tidymodels în R

Colecție de pachete de machine learning

Evaluarea modelului cu yardstick

Modelare cu tidymodels în R

Machine learning supervizat

Ramură a machine learning-ului care folosește date etichetate pentru antrenarea modelelor

Regresie

  • Predicția unor rezultate cantitative
    • Prețul de vânzare al unei locuințe

 

Clasificare

  • Predicția unor rezultate categoriale
    • Dacă un angajat va părăsi compania
left_company miles_from_home salary
no 1 84500
yes 10 64820
no 5 76490
yes 19 68540

 

tidymodels roluri de variabile

  • left_company este variabilă de rezultat
  • miles_from_home și salary sunt variabile predictor
Modelare cu tidymodels în R

Reeșantionarea datelor

 

Crearea seturilor de antrenare și testare

  • Protejează împotriva supraajustării
  • Rație comună: 75% antrenare, 25% testare

Date de antrenare

  • Ingineria caracteristicilor
  • Ajustarea și optimizarea modelului

Date de testare

  • Estimarea performanței modelului pe date noi

Crearea seturilor de antrenare și testare

Modelare cu tidymodels în R

Date privind consumul de carburant

Date privind eficiența consumului de carburant al vehiculelor, de la Agenția de Protecție a Mediului din SUA

  • Variabila de rezultat este hwy - eficiența pe autostradă în mile pe galon (mpg)
mpg

# A tibble: 234 x 11
     hwy   cty displ   cyl manufacturer model       year trans      drv   fl    class  
   <int> <int> <dbl> <int> <chr>        <chr>      <int> <chr>      <chr> <chr> <chr>  
 1    29    18   1.8     4 audi         a4          1999 auto(l5)   f     p     compact
 2    29    21   1.8     4 audi         a4          1999 manual(m5) f     p     compact
 3    31    20   2       4 audi         a4          2008 manual(m6) f     p     compact
 4    30    21   2       4 audi         a4          2008 auto(av)   f     p     compact
 5    26    16   2.8     6 audi         a4          1999 auto(l5)   f     p     compact
# ... with 224 more rows
Modelare cu tidymodels în R

Reeșantionarea datelor cu tidymodels

  • initial_split()

    • Specifică instrucțiunile pentru crearea seturilor de antrenare și testare
    • prop specifică proporția alocată antrenării
    • strata asigură stratificarea după variabila de rezultat

  • Transmiteți obiectul split funcției training()

 

  • Transmiteți obiectul split funcției testing()
library(tidymodels)

mpg_split <- initial_split(mpg,
                           prop = 0.75,
                           strata = hwy)

 

mpg_training <- mpg_split %>%
  training()

mpg_test <- mpg_split %>%
  testing()
Modelare cu tidymodels în R

Date privind vânzările de locuințe

Vânzări de locuințe din zona Seattle, Washington, între 2015 și 2016

home_sales

# A tibble: 1,492 x 8
   selling_price home_age bedrooms bathrooms sqft_living sqft_lot sqft_basement floors
           <dbl>    <dbl>    <dbl>     <dbl>       <dbl>    <dbl>         <dbl>  <dbl>
 1        487000       10        4      2.5         2540     5001             0      2
 2        465000       10        3      2.25        1530     1245           480      2
 3        411000       18        2      2           1130     1148           330      2
 4        635000        4        3      2.5         3350     4007           800      2
 5        380000       24        5      2.5         2130     8428             0      2
# ... with 1,482 more rows
Modelare cu tidymodels în R

Să exersăm!

Modelare cu tidymodels în R

Preparing Video For Download...