Arbre de décision

Machine Learning avec PySpark

Andrew Collier

Data Scientist, Fathom Data

Anatomie d'un arbre de décision : Nœud racine

Nœud racine d'un arbre de décision.

Anatomie d'un arbre de décision : Première séparation

Arbre de décision avec une seule séparation

Anatomie d'un arbre de décision : Deuxième séparation

Arbre de décision avec une deuxième séparation

Anatomie d'un arbre de décision : Troisième séparation

Arbre de décision avec une troisième séparation

Classer des voitures

Classer des voitures selon le pays de fabrication.

+---+----+------+------+----+-----------+----------------------------------+-----+
|cyl|size|mass  |length|rpm |consumption|features                          |label|
+---+----+------+------+----+-----------+----------------------------------+-----+
|6  |3.0 |1451.0|4.775 |5200|9.05       |[6.0,3.0,1451.0,4.775,5200.0,9.05]|1.0  |
|4  |2.2 |1129.0|4.623 |5200|6.53       |[4.0,2.2,1129.0,4.623,5200.0,6.53]|0.0  |
|4  |2.2 |1399.0|4.547 |5600|7.84       |[4.0,2.2,1399.0,4.547,5600.0,7.84]|1.0  |
|4  |1.8 |1147.0|4.343 |6500|7.84       |[4.0,1.8,1147.0,4.343,6500.0,7.84]|0.0  |
|4  |1.6 |1111.0|4.216 |5750|9.05       |[4.0,1.6,1111.0,4.216,5750.0,9.05]|0.0  |
+---+----+------+------+----+-----------+----------------------------------+-----+

label = 0 -> fabriquée aux États‑Unis
      = 1 -> fabriquée ailleurs

Fractionnement entraînement/test

Diviser les données en ensembles d'entraînement et de test.

# Specify a seed for reproducibility
cars_train, cars_test = cars.randomSplit([0.8, 0.2], seed=23)

Deux DataFrames : cars_train et cars_test.

[cars_train.count(), cars_test.count()]

[79, 13]

Créer un modèle d'arbre de décision

from pyspark.ml.classification import DecisionTreeClassifier

Créer un classificateur en arbre de décision.

tree = DecisionTreeClassifier()

Apprendre à partir des données d'entraînement.

tree_model = tree.fit(cars_train)

Évaluation

Faire des prédictions sur les données de test et comparer aux valeurs connues.

prediction = tree_model.transform(cars_test)

+-----+----------+---------------------------------------+
|label|prediction|probability                            |
+-----+----------+---------------------------------------+
|1.0  |0.0       |[0.9615384615384616,0.0384615384615385]|
|1.0  |1.0       |[0.2222222222222222,0.7777777777777778]|
|1.0  |1.0       |[0.2222222222222222,0.7777777777777778]|
|0.0  |0.0       |[0.9615384615384616,0.0384615384615385]|
|1.0  |1.0       |[0.2222222222222222,0.7777777777777778]|
+-----+----------+---------------------------------------+

Matrice de confusion

Une matrice de confusion est un tableau qui décrit la performance d'un modèle sur les données de test.

prediction.groupBy("label", "prediction").count().show()

+-----+----------+-----+
|label|prediction|count|
+-----+----------+-----+
|  1.0|       1.0|    8| <- Vrai positif  (TP)
|  0.0|       1.0|    2| <- Faux positif  (FP)
|  1.0|       0.0|    3| <- Faux négatif  (FN)
|  0.0|       0.0|    6| <- Vrai négatif  (TN)
+-----+----------+-----+

Exactitude = (TN + TP) / (TN + TP + FN + FP) — proportion de prédictions correctes.

Construisons des arbres de décision !

Machine Learning avec PySpark