Mesures de performance pour les arbres de régression

Machine Learning avec des modèles arborescents en R

Sandro Raabe

Data Scientist

Comment mesurer la performance ?

  • Problèmes de classification : exactitude (matrice de confusion)
  • Problèmes de régression : « correct » est relatif, pas de binaire

$\Rightarrow$ Mesurer l'écart des prédictions par rapport à la vérité

Machine Learning avec des modèles arborescents en R

Mesures courantes pour la régression

  • Mean Absolute Error (MAE)
  • Root Mean Square Error (RMSE)

 

Intuition du MAE :

graphique des différences moyennes

 

 

 

 

 

MAE = longueur moyenne des barres rouges

Machine Learning avec des modèles arborescents en R

Formules et intuition

 

$$MAE = \frac{1}{n} \sum_{i=1}^n\left| actual_i - predicted_i \right|$$

 

  • « Somme des écarts absolus divisée par le nombre de prédictions »

$$\quad MSE = \quad \frac{1}{n} \sum_{i=1}^n\left( actual_i - predicted_i \right)^2$$

  •                   « Erreur quadratique moyenne »
Machine Learning avec des modèles arborescents en R

Formules et intuition

 

$$MAE = \frac{1}{n} \sum_{i=1}^n\left| actual_i - predicted_i \right|$$

 

  • « Somme des écarts absolus divisée par le nombre de prédictions »

$$RMSE = \sqrt{\frac{1}{n} \sum_{i=1}^n\left( actual - predicted \right)^2}$$

  • « Racine de l'erreur quadratique moyenne »
  • Les grandes erreurs pèsent davantage
Machine Learning avec des modèles arborescents en R

Codage : prédictions

# parsnip et yardstick sont inclus dans tidymodels
library(tidymodels)

# Générer des prédictions et les ajouter aux données de test
predictions <- predict(model, new_data = chocolate_test) %>%

  bind_cols(chocolate_test)

# A tibble: 358 x 7
   .pred final_grade review_date cocoa_percent company_location
   <dbl>       <dbl>       <int>         <dbl> <fct>           
 1  2.5         2.75        2013          0.7  France          
 2  3.64        3.25        2014          0.8  France          
 3  3.3         3.5         2012          0.7  France          
 4  3.25        3.5         2011          0.72 Fiji            
# ... with 354 more rows, and 2 more variables: bean_type <fct>, broad_bean_origin <fct>
Machine Learning avec des modèles arborescents en R

Codage : mae() et rmse()

# Évaluer avec mae()
mae(predictions,

    estimate = .pred,

    truth = final_grade)

# A tibble: 1 x 2
  .metric   .estimate
  <chr>         <dbl>
1 mae           0.363

# Évaluer avec rmse()
rmse(predictions,
     estimate = .pred,
     truth = final_grade)

# A tibble: 1 x 2
  .metric   .estimate
  <chr>         <dbl>
1 rmse          0.457
Machine Learning avec des modèles arborescents en R

Évaluons cela !

Machine Learning avec des modèles arborescents en R

Preparing Video For Download...