Modelare prin clasificare

Introducere în Prelucrarea Limbajului Natural în R

Kasey Jones

Research Data Scientist

Recapitularea pașilor

Curățare/pregătire date
- Filtrare la propoziții Boxer/Napoleon
- Tokenizare și curățare cuvinte
- Matrice document-termen cu ponderare TFIDF
Creare seturi de antrenare și testare
Antrenare model pe setul de antrenare
Raportare acuratețe pe setul de testare

Pasul 2: împărțirea datelor

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 de tip Random Forest

Machine Learning with Tree-Based Models in R

Exemplu de clasificare

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

Matricea de confuzie

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

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

Predicții pe setul de testare

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

Acuratețe pentru boxer: 14/18
Acuratețe pentru napoleon: 10/12
Acuratețe globală: 24/30 = 80%

Practică: clasificare

Introducere în Prelucrarea Limbajului Natural în R