Fluxul complet de modelare

Modelare cu tidymodels în R

David Svancer

Data Scientist

Reeșantionarea datelor

Crearea seturilor de date de antrenament și de test

initial_split()
- Creați obiectul de împărțire a datelor
training()
- Construiți setul de date de antrenament
testing()
- Construiți setul de date de test

leads_split <- initial_split(leads_df, 
                             strata = purchased)


leads_training <- leads_split %>% 
  training()


leads_test <- leads_split %>% 
  testing()

Specificarea modelului

Specificați modelul cu parsnip

logistic_reg()
- Interfață generală pentru modele de regresie logistică
set_engine()
- Motorul 'glm'
set_mode()
- purchased este o variabilă rezultat nominală
- Modul trebuie să fie 'classification'

logistic_model <- logistic_reg() %>%

  set_engine('glm') %>%

  set_mode('classification')

Logistic Regression Model 
Specification (classification)

Computational engine: glm

Ingineria caracteristicilor

Specificați pașii de inginerie a caracteristicilor cu recipes

recipe()
- Formula modelului și datele de antrenament
Funcțiile step_*()
- Pași de preprocesare secvențiali

leads_recipe <- recipe(purchased ~ .,
                       data = leads_training) %>%

  step_corr(all_numeric(), threshold = 0.9) %>% 
  step_normalize(all_numeric()) %>% 
  step_dummy(all_nominal(), -all_outcomes())

leads_recipe

Data Recipe
Inputs:
      role #variables
   outcome          1
 predictor          6

Operations:
Correlation filter on all_numeric()
Centering and scaling for all_numeric()
Dummy variables from all_nominal(), -all_outcomes()

Antrenarea rețetei

Antrenați pașii de inginerie a caracteristicilor pe datele de antrenament

prep()
- Transmiteți obiectul recipe la prep()
- Adăugați leads_training pentru datele de antrenament

leads_recipe_prep <- leads_recipe %>% 
  prep(training = leads_training)

leads_recipe_prep

Data Recipe
Inputs:
      role #variables
   outcome          1
 predictor          6
Training data contained 996 data points 
and no missing data.

Operations:
Correlation filter removed pages_per_visit [trained]
Centering and scaling for total_visits ... [trained]
Dummy variables from lead_source, us_location [trained]

Preprocesarea datelor de antrenament

Aplicați recipe antrenată pe datele de antrenament și salvați rezultatele pentru ajustarea modelului

leads_training_prep <- leads_recipe_prep %>% 
  bake(new_data = NULL)

leads_training_prep

# A tibble: 996 x 11
total_visits  total_time   ... lead_source_email  lead_source_organic_search ...  us_location_west
     <dbl>      <dbl>                <dbl>                      <dbl>                    <dbl>        
 1    0.611      0.958      ...       0                          0            ...         1
 2    0.103     -0.747      ...       1                          0            ...         0
 3    0.611     -0.278      ...       0                          1            ...         1
 4   -0.151     -0.842      ...       0                          0            ...         1
 5   -0.659      1.19       ...       1                          0            ...         0 
# ... with 991 more rows

Preprocesarea datelor de test

Aplicați recipe antrenată pe datele de test și salvați rezultatele pentru evaluarea modelului

leads_test_prep <- leads_recipe_prep %>% 
  bake(new_data = leads_test)

leads_test_prep

# A tibble: 332 x 11
 total_visits  total_time  ...  lead_source_email  lead_source_organic_search ...  us_location_west
     <dbl>      <dbl>                <dbl>                      <dbl>                    <dbl>        
 1    0.864     -0.984     ...        0                          0            ...         1
 2   -0.151      1.33      ...        0                          0            ...         0
 3   -0.405     -0.843     ...        0                          1            ...         1
 4   -0.659     -1.14      ...        1                          0            ...         0
 5    1.12       0.725     ...        0                          0            ...         1   
# ... with 327 more rows

Ajustarea modelului și predicții

Antrenați modelul de regresie logistică cu fit()

Utilizați setul de date de antrenament preprocesate, leads_training_prep

Obțineți predicțiile modelului cu predict()

Predicția valorilor rezultat și a probabilităților estimate
Utilizați setul de date de test preprocesate, leads_test_prep

logistic_fit <- logistic_model %>% 
  fit(purchased ~ .,
      data = leads_training_prep)

class_preds <- predict(logistic_fit, 
                       new_data = leads_test_prep,
                       type = 'class')

prob_preds <- predict(logistic_fit, 
                      new_data = leads_test_prep,
                      type = 'prob')

Combinarea rezultatelor predicțiilor

Combinați predicțiile într-un set de rezultate pentru funcțiile de metrici yardstick

Selectați variabila rezultat, purchased, din setul de date de test
Uniți predicțiile 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             0.257     0.743
 2 yes       yes            0.896     0.104
 3 no        no             0.0852    0.915
 4 no        no             0.183     0.817
 5 yes       yes            0.776     0.224
# ... with 327 more rows

Evaluarea modelului

Evaluați performanța modelului cu yardstick

Datele de rezultate pot fi utilizate cu toate funcțiile de metrici yardstick pentru evaluarea modelului
Matricea de confuzie, sensibilitate, specificitate și alte metrici

leads_results %>% 
  conf_mat(truth = purchased, 
           estimate = .pred_class)

          Truth
Prediction yes  no
       yes  77  34
       no   43 178

Să exersăm!

Modelare cu tidymodels în R