Tidymodels-ekosystemet

Modellering med tidymodels i R

David Svancer

Data Scientist

Samling av maskininlärningspaket

Tidymodels-paketet

Samling av maskininlärningspaket

Dataresampling med rsample

Samling av maskininlärningspaket

Särdragsteknik med recipes

Samling av maskininlärningspaket

Modellanpassning med parsnip

Samling av maskininlärningspaket

Modelljustering med tune och dials

Samling av maskininlärningspaket

Modellutvärdering med yardstick

Övervakad maskininlärning

Gren av maskininlärning som använder märkt data för modellanpassning

Regression

Förutsäger kvantitativa utfall
- Försäljningspris för en bostad

Klassificering

Förutsäger kategoriska utfall
- Om en anställd kommer att lämna företaget

left_company	miles_from_home	salary
no	1	84500
yes	10	64820
no	5	76490
yes	19	68540

tidymodels variabelroller

left_company är en utfallsvariabel
miles_from_home och salary är prediktorvariabler

Dataresampling

Skapa tränings- och testmängder

Skyddar mot överanpassning
Vanlig fördelning är 75 % träning, 25 % test

Träningsdata

Särdragsteknik
Modellanpassning och -justering

Testdata

Uppskatta modellens prestanda på nya data

Skapa tränings- och testdatamängder

Bränsleeffektivitetsdata

Bränsleeffektivitetsdata för fordon från U.S. Environmental Protection Agency

Utfallsvariabeln är hwy – bränsleeffektivitet på motorväg i miles per gallon (mpg)

mpg

# A tibble: 234 x 11
     hwy   cty displ   cyl manufacturer model       year trans      drv   fl    class  
   <int> <int> <dbl> <int> <chr>        <chr>      <int> <chr>      <chr> <chr> <chr>  
 1    29    18   1.8     4 audi         a4          1999 auto(l5)   f     p     compact
 2    29    21   1.8     4 audi         a4          1999 manual(m5) f     p     compact
 3    31    20   2       4 audi         a4          2008 manual(m6) f     p     compact
 4    30    21   2       4 audi         a4          2008 auto(av)   f     p     compact
 5    26    16   2.8     6 audi         a4          1999 auto(l5)   f     p     compact
# ... with 224 more rows

Dataresampling med tidymodels

initial_split()
- Anger inställningar för att skapa tränings- och testdatamängder
- prop anger andelen som placeras i träning
- strata stratifierar efter utfallsvariabeln
Skicka split-objektet till funktionen training()

Skicka split-objektet till funktionen testing()

library(tidymodels)

mpg_split <- initial_split(mpg,
                           prop = 0.75,
                           strata = hwy)

mpg_training <- mpg_split %>%
  training()

mpg_test <- mpg_split %>%
  testing()

Bostadsförsäljningsdata

Bostadsförsäljningar i Seattle, Washington, mellan 2015 och 2016

home_sales

# A tibble: 1,492 x 8
   selling_price home_age bedrooms bathrooms sqft_living sqft_lot sqft_basement floors
           <dbl>    <dbl>    <dbl>     <dbl>       <dbl>    <dbl>         <dbl>  <dbl>
 1        487000       10        4      2.5         2540     5001             0      2
 2        465000       10        3      2.25        1530     1245           480      2
 3        411000       18        2      2           1130     1148           330      2
 4        635000        4        3      2.5         3350     4007           800      2
 5        380000       24        5      2.5         2130     8428             0      2
# ... with 1,482 more rows

Nu kör vi en övning!

Modellering med tidymodels i R