Klassificeringsmodeller

Modellering med tidymodels i R

David Svancer

Data Scientist

Förutsäga produktköp

Klassificeringsmodeller förutsäger kategoriska utfallsvariabler

Förutsäga produktköp

purchased	total_time	total_visits
yes	800	3
yes	978	7
no	220	4
no	124	5
yes	641	4

Klassificeringsdiagram

Klassificeringsalgoritmer

Mål: Skapa distinkta, icke-överlappande regioner längs en uppsättning prediktorvärden

Förutsäg samma kategoriska utfall i varje region

Klassificeringsdiagram

Klassificeringsalgoritmer

Mål: Skapa distinkta, icke-överlappande regioner längs en uppsättning prediktorvärden

Förutsäg samma kategoriska utfall i varje region

Logistisk regression

Populär klassificeringsalgoritm som skapar en linjär separation mellan utfallskategorier

Klassificering med gränser

Data för lead scoring

leads_df

# A tibble: 1,328 x 7
   purchased total_visits total_time pages_per_visit total_clicks lead_source    us_location
   <fct>            <dbl>      <dbl>           <dbl>        <dbl> <fct>          <fct>      
 1 yes                  7       1148            7              59 direct_traffic west       
 2 no                   8        100            2.67           24 direct_traffic west       
 3 no                   5        228            2.5            25 email          southeast  
 4 no                   7        481            2.33           21 organic_search west       
 5 no                   4        177            4              37 direct_traffic west       
 6 no                   2       1273            2              26 email          midwest    
 7 no                   3        711            3              28 organic_search west       
 8 no                   3        166            3              32 direct_traffic southeast  
 9 no                   3          7            3              23 organic_search west       
10 no                   6        562            6              48 organic_search southeast  
# ... with 1,318 more rows

Dataresampling

Första steget för att anpassa en modell

Skapa ett datadelningsobjekt med initial_split()
Skapa tränings- och testdatamängder med training() och testing()

leads_split <- initial_split(leads_df, 
                             prop = 0.75,
                             strata = purchased)


leads_training <- leads_split %>% 
  training()


leads_test <- leads_split %>% 
  testing()

Specifikation av logistisk regressionsmodell

Modellspecifikation i parsnip

logistic_reg()
- Generellt gränssnitt för logistiska regressionsmodeller i parsnip
- Vanlig motor är 'glm'
- Läget är 'classification'

logistic_model <- logistic_reg() %>% 

  set_engine('glm') %>%

  set_mode('classification')

Modellanpassning

När modellen är specificerad används funktionen fit() för träning

Skicka modellobjektet till fit()
Ange modellformeln
Ange träningsdata, data

logistic_fit <- logistic_model %>% 

  fit(purchased ~ total_visits + total_time,

      data = leads_training)

Förutsäga utfallskategorier

Funktionen predict()

new_data anger datamängden att göra nya förutsägelser på
type
- 'class' ger kategoriska förutsägelser

Standardiserade utdata från predict()

Returnerar en tibble
När type är 'class' returneras en faktorkolumn med namnet .pred_class

class_preds <- logistic_fit %>%

  predict(new_data = leads_test,

          type = 'class')


class_preds

# A tibble: 332 x 1
   .pred_class
   <fct>      
 1 no         
 2 yes        
 3 no         
 4 no         
 5 yes 
 # ... with 327 more rows

Skattade sannolikheter

Om type sätts till 'prob' returneras skattade sannolikheter för varje utfallskategori

Funktionen predict() returnerar en tibble med flera kolumner

En kolumn per kategori i utfallsvariabeln
Namnkonventionen är .pred_{outcome_category}

prob_preds <- logistic_fit %>%
  predict(new_data = leads_test,
          type = 'prob')

prob_preds

# A tibble: 332 x 2
   .pred_yes .pred_no
       <dbl>    <dbl>
 1    0.134     0.866
 2    0.729     0.271
 3    0.133     0.867
 4    0.0916    0.908
 5    0.598     0.402
# ... with 327 more rows

Kombinera resultat

För modellutvärdering med paketet yardstick behövs en resultatstibble

Utfallsvariabeln från testdatamängden och förutsägelsernas tibbles kan kombineras med 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             0.134     0.866
 2 yes       yes            0.729     0.271
 3 no        no             0.133     0.867
 4 no        no             0.0916    0.908
 5 yes       yes            0.598     0.402
# ... with 327 more rows

Telekommunikationsdata

telecom_df

# A tibble: 975 x 9
   canceled_service cellular_service avg_data_gb avg_call_mins avg_intl_mins internet_service   contract    months_with_company monthly_charges
   <fct>            <fct>               <dbl>         <dbl>        <dbl>         <fct>           <fct>               <dbl>           <dbl>
 1 yes              single_line         7.78           497         127         fiber_optic     month_to_month         7              76.4
 2 yes              single_line         9.04           336         88          fiber_optic     month_to_month         10             94.9
 3 no               single_line         10.3           262         55          fiber_optic     one_year               50             103. 
 4 yes              multiple_lines      5.08           250         107         digital         one_year               53             60.0
 5 no               multiple_lines      8.05           328         122         digital         two_year               50             75.2
 6 no               single_line         9.3            326         114         fiber_optic     month_to_month         25             95.7
 7 yes              multiple_lines      8.01           525         97          fiber_optic     month_to_month         19             83.6
 8 no               multiple_lines      9.4            312         147         fiber_optic     one_year               50             99.4
 9 yes              single_line         5.29           417         96          digital         month_to_month         8              49.8
10 no               multiple_lines      9.96           340         136         fiber_optic     month_to_month         61             106. 
# ... with 965 more rows

Nu kör vi en övning!

Modellering med tidymodels i R