Modele de clasificare

Modelare cu tidymodels în R

David Svancer

Data Scientist

Predicția achizițiilor de produse

Modelele de clasificare prezic variabile rezultat categoriale

Predicția achizițiilor de produse

purchased	total_time	total_visits
yes	800	3
yes	978	7
no	220	4
no	124	5
yes	641	4

Grafic de clasificare

Algoritmi de clasificare

Obiectiv: Crearea unor regiuni distincte, fără suprapuneri, de-a lungul valorilor variabilelor predictoare

Predicția aceluiași rezultat categorial în fiecare regiune

Grafic de clasificare

Algoritmi de clasificare

Obiectiv: Crearea unor regiuni distincte, fără suprapuneri, de-a lungul valorilor variabilelor predictoare

Predicția aceluiași rezultat categorial în fiecare regiune

Regresia logistică

Algoritm de clasificare popular care creează o separare liniară între categoriile rezultat

Clasificare cu granițe

Date privind lead scoring

leads_df

# A tibble: 1,328 x 7
   purchased total_visits total_time pages_per_visit total_clicks lead_source    us_location
   <fct>            <dbl>      <dbl>           <dbl>        <dbl> <fct>          <fct>      
 1 yes                  7       1148            7              59 direct_traffic west       
 2 no                   8        100            2.67           24 direct_traffic west       
 3 no                   5        228            2.5            25 email          southeast  
 4 no                   7        481            2.33           21 organic_search west       
 5 no                   4        177            4              37 direct_traffic west       
 6 no                   2       1273            2              26 email          midwest    
 7 no                   3        711            3              28 organic_search west       
 8 no                   3        166            3              32 direct_traffic southeast  
 9 no                   3          7            3              23 organic_search west       
10 no                   6        562            6              48 organic_search southeast  
# ... with 1,318 more rows

Reeșantionarea datelor

Primul pas în ajustarea unui model

Creați obiectul de împărțire cu initial_split()
Creați seturile de antrenament și test cu training() și testing()

leads_split <- initial_split(leads_df, 
                             prop = 0.75,
                             strata = purchased)


leads_training <- leads_split %>% 
  training()


leads_test <- leads_split %>% 
  testing()

Specificarea modelului de regresie logistică

Specificarea modelului în parsnip

logistic_reg()
- Interfață generală pentru modele de regresie logistică în parsnip
- Motorul uzual este 'glm'
- Modul este 'classification'

logistic_model <- logistic_reg() %>% 

  set_engine('glm') %>%

  set_mode('classification')

Ajustarea modelului

După specificarea modelului, funcția fit() este utilizată pentru antrenament

Transmiteți obiectul model către fit()
Specificați formula modelului
Furnizați datele de antrenament, data

logistic_fit <- logistic_model %>% 

  fit(purchased ~ total_visits + total_time,

      data = leads_training)

Predicția categoriilor rezultat

Funcția predict()

new_data specifică setul de date pe care se fac predicțiile
type
- 'class' returnează predicții categoriale

Output standardizat din predict()

Returnează un tibble
Când type este 'class', returnează o coloană factor numită .pred_class

class_preds <- logistic_fit %>%

  predict(new_data = leads_test,

          type = 'class')


class_preds

# A tibble: 332 x 1
   .pred_class
   <fct>      
 1 no         
 2 yes        
 3 no         
 4 no         
 5 yes 
 # ... with 327 more rows

Probabilități estimate

Setarea type la 'prob' furnizează probabilitățile estimate pentru fiecare categorie rezultat

Funcția predict() va returna un tibble cu mai multe coloane

Câte una pentru fiecare categorie a variabilei rezultat
Convenția de denumire este .pred_{outcome_category}

prob_preds <- logistic_fit %>%
  predict(new_data = leads_test,
          type = 'prob')

prob_preds

# A tibble: 332 x 2
   .pred_yes .pred_no
       <dbl>    <dbl>
 1    0.134     0.866
 2    0.729     0.271
 3    0.133     0.867
 4    0.0916    0.908
 5    0.598     0.402
# ... with 327 more rows

Combinarea rezultatelor

Pentru evaluarea modelului cu pachetul yardstick, este necesar un tibble cu rezultate

Variabila rezultat din setul de test și tibble-urile de predicții pot fi combinate cu bind_cols()

leads_results <- leads_test %>% 
  select(purchased) %>% 
  bind_cols(class_preds, prob_preds)

leads_results

# A tibble: 332 x 4
   purchased .pred_class .pred_yes .pred_no
   <fct>     <fct>           <dbl>    <dbl>
 1 no        no             0.134     0.866
 2 yes       yes            0.729     0.271
 3 no        no             0.133     0.867
 4 no        no             0.0916    0.908
 5 yes       yes            0.598     0.402
# ... with 327 more rows

Date de telecomunicații

telecom_df

# A tibble: 975 x 9
   canceled_service cellular_service avg_data_gb avg_call_mins avg_intl_mins internet_service   contract    months_with_company monthly_charges
   <fct>            <fct>               <dbl>         <dbl>        <dbl>         <fct>           <fct>               <dbl>           <dbl>
 1 yes              single_line         7.78           497         127         fiber_optic     month_to_month         7              76.4
 2 yes              single_line         9.04           336         88          fiber_optic     month_to_month         10             94.9
 3 no               single_line         10.3           262         55          fiber_optic     one_year               50             103. 
 4 yes              multiple_lines      5.08           250         107         digital         one_year               53             60.0
 5 no               multiple_lines      8.05           328         122         digital         two_year               50             75.2
 6 no               single_line         9.3            326         114         fiber_optic     month_to_month         25             95.7
 7 yes              multiple_lines      8.01           525         97          fiber_optic     month_to_month         19             83.6
 8 no               multiple_lines      9.4            312         147         fiber_optic     one_year               50             99.4
 9 yes              single_line         5.29           417         96          digital         month_to_month         8              49.8
10 no               multiple_lines      9.96           340         136         fiber_optic     month_to_month         61             106. 
# ... with 965 more rows

Să exersăm!

Modelare cu tidymodels în R