Hur du bygger ditt träd

Maskininlärning med trädbaserade modeller i R

Sandro Raabe

Data Scientist

Diabetesdataset

head(diabetes)

# A tibble: 6 x 9
  outcome pregnancies glucose blood_pressure skin_thickness insulin   bmi    age
  <fct>         <int>   <int>          <int>          <int>   <int> <dbl>  <int>
1 yes               6     148             72             35       0  33.6     50
2 no                1      85             66             29       0  26.6     31
3 yes               8     183             64              0       0  23.3     32
Maskininlärning med trädbaserade modeller i R

Använda hela datamängden

  • Använde all data för träning – ingen data kvar för att testa modellen

modellflöde 1

Maskininlärning med trädbaserade modeller i R

Datauppdelning

datauppdelning

modell och utvärdering

Maskininlärning med trädbaserade modeller i R

Uppdelningsmetoder

uppdelningsmetoder

uppdelningsmetoder2

uppdelningsmetoder3

Maskininlärning med trädbaserade modeller i R

Funktionen initial_split()

  • Delar slumpmässigt upp data i en tränings- och en testmängd
# Split data proportionally (default: 0.75)
diabetes_split <- initial_split(diabetes, prop = 0.9)
diabetes_split

<Analysis/Assess/Total>
<692/76/768>
1 från paketet rsample
Maskininlärning med trädbaserade modeller i R

Funktionerna training() och testing()

  • Extraherar tränings- och testmängder från en datauppdelning
diabetes_train <- training(diabetes_split)

diabetes_test  <- testing(diabetes_split)
  • Verifiering:
    nrow(diabetes_train)/nrow(diabetes)

[1] 0.9007812
1 från rsample
Maskininlärning med trädbaserade modeller i R

Undvik klassobalans

# Training count of 'yes' and 'no' outcomes
counts_train <- table(diabetes_train$outcome)
counts_train

 no yes 
490 86

# Training proportion of 'yes' outcome
prop_yes_train <- counts_train["yes"]/
                  sum(counts_train)
prop_yes_train

0.15

# Test data count of 'yes' and 'no' outcomes
counts_test <- table(diabetes_test$outcome)
counts_test

 no yes 
 28  48

# Test data proportion of 'yes' outcome
prop_yes_test <- counts_test["yes"]/
                  sum(counts_test)
prop_yes_test

0.63
Maskininlärning med trädbaserade modeller i R

Lösning – säkerställ liknande fördelningar

initial_split(diabetes, 
              prop = 0.9, 
              strata = outcome)
  • Säkerställer en slumpmässig uppdelning med liknande fördelning av variabeln outcome
Maskininlärning med trädbaserade modeller i R

Nu kör vi en övning!

Maskininlärning med trädbaserade modeller i R

Preparing Video For Download...