Flux de travail complet de modélisation

Modélisation avec tidymodels en R

David Svancer

Data Scientist

Rééchantillonnage des données

Création des ensembles d'entraînement et de test

initial_split()
- Créer un objet de découpage des données
training()
- Construire l'ensemble d'entraînement
testing()
- Construire l'ensemble de test

leads_split <- initial_split(leads_df, 
                             strata = purchased)


leads_training <- leads_split %>% 
  training()


leads_test <- leads_split %>% 
  testing()

Spécification du modèle

Spécifier le modèle avec parsnip

logistic_reg()
- Interface générale pour les modèles de régression logistique
set_engine()
- Moteur « glm »
set_mode()
- purchased est une variable cible nominale
- Le mode doit être « classification »

logistic_model <- logistic_reg() %>%

  set_engine('glm') %>%

  set_mode('classification')

Modèle de régression logistique 
Spécification (classification)

Moteur de calcul : glm

Ingénierie des caractéristiques

Définir l'ingénierie des caractéristiques avec recipes

recipe()
- Formule du modèle et données d'entraînement
Fonctions step_*()
- Étapes de prétraitement séquencées

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

Recette de données
Entrées :
      rôle nb de variables
   cible              1
 prédicteur           6

Opérations :
Filtre de corrélation sur all_numeric()
Centrage et mise à l'échelle pour all_numeric()
Variables factices à partir de all_nominal(), -all_outcomes()

Entraînement de la recette

Entraîner les étapes d'ingénierie sur les données d'entraînement

prep()
- Passer l'objet recipe à prep()
- Ajouter leads_training comme données d'entraînement

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

leads_recipe_prep

Recette de données
Entrées :
      rôle nb de variables
   cible              1
 prédicteur           6
Les données d'entraînement contenaient 996 points de données 
et aucune donnée manquante.

Opérations :
Le filtre de corrélation a retiré pages_per_visit [entraîné]
Centrage et mise à l'échelle pour total_visits ... [entraîné]
Variables factices à partir de lead_source, us_location [entraîné]

Prétraiter les données d'entraînement

Appliquer la recipe entraînée aux données d'entraînement et enregistrer les résultats pour l'ajustement du modèle

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 
# ... avec 991 lignes de plus

Prétraiter les données de test

Appliquer la recipe entraînée aux données de test et enregistrer les résultats pour l'évaluation du modèle

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   
# ... avec 327 lignes de plus

Ajustement du modèle et prédictions

Entraîner le modèle de régression logistique avec fit()

Utiliser l'ensemble d'entraînement prétraité, leads_training_prep

Obtenir des prédictions avec predict()

Prédire les valeurs de la cible et les probabilités estimées
Utiliser l'ensemble de test prétraité, 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')

Combiner les résultats de prédiction

Combiner les prédictions dans un ensemble de résultats pour les fonctions de métriques yardstick

Sélectionner la variable cible réelle, purchased, à partir de l'ensemble de test
Lier les prédictions avec 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
# ... avec 327 lignes de plus

Évaluation du modèle

Évaluer la performance du modèle avec yardstick

Les résultats peuvent être utilisés avec toutes les fonctions de métriques yardstick pour évaluer le modèle
Matrice de confusion, sensibilité, spécificité et autres métriques

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

          Vérité
Prédiction yes  no
       yes  77  34
       no   43 178

Passons à la pratique !

Modélisation avec tidymodels en R