-
Notifications
You must be signed in to change notification settings - Fork 1
/
practica-guiada-2.Rmd
209 lines (143 loc) · 3.71 KB
/
practica-guiada-2.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
---
title: "Practica guiada 2 - Tunning de árboles"
output: html_document
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```
## Tunning de Árboles de Decisión con Tidymodels
## Dataset
El dataset corresponde a Boston, que se encuentra disponible en Kaggle; una plataforma de competencia de machine learning.
Más info en: https://www.cs.toronto.edu/~delve/data/boston/bostonDetail.html
#### Cargo las librerias
```{r eval=FALSE}
#si no tengo instalado la libreria, la instalo
#install.packages(tidymodels)
```
```{r warning=FALSE, message=FALSE}
library(tidymodels)
library(tidyverse)
library(magrittr)
library(corrr)
library(MASS) #el dataset se encuentra en esta librería
library(purrr)
```
#### Ingreso los datos
```{r}
data(Boston)
```
### División de los datos
En primera instancia dividimos en TRAIN Y TEST
```{r}
set.seed(1234)
p_split <- Boston %>%
initial_split(prop = 0.75)
p_train <- training(p_split)
p_test <- testing(p_split)
glimpse(p_train)
```
```{r}
p_split
```
```{r}
head(p_test)
```
#### Voy a crear los folds de validación cruzada a partir de los datos de TRAIN
```{r}
p_folds <- vfold_cv(p_train, v=3)
```
Veo los splits creados en la validación cruzada
```{r}
p_folds$splits
```
```{r}
#para ver que muestra cae en cada fold
map(p_folds$splits, "in_id")
```
### Preprocesamiento
```{r}
recipe_dt <- p_train %>%
recipe(medv~.) %>%
step_corr(all_predictors()) %>% #elimino las correlaciones
step_center(all_predictors(), -all_outcomes()) %>% #centrado
step_scale(all_predictors(), -all_outcomes()) %>% #escalado
prep()
```
### Modelo
Aca vamos a especificar las variables que vamos a hacer tunning de estas variables.
```{r}
tree_spec <- decision_tree(
cost_complexity = tune(),
tree_depth = tune(),
min_n = tune()
) %>%
set_engine("rpart") %>%
set_mode("regression")
tree_spec
```
Veamos los posibles valores en esta grilla.
```{r}
tree_grid <- grid_regular(cost_complexity(), tree_depth(), min_n(), levels = 4)
tree_grid
```
### Tunning del modelo de árboles de decisión
En esta etapa vamos a hacer el tuneo de los hiperparámetros que hemos definido anteriormente. Vamos a consignar las métricas de regresión usuales.
**Importante**: Los datos son los folds de la validación cruzada.
```{r}
doParallel::registerDoParallel() #paralelizamos los cálculos
set.seed(345)
tree_rs <- tune_grid(
tree_spec,
medv ~ .,
resamples = p_folds,
grid = tree_grid,
metrics = metric_set(rmse, rsq, mae)
)
tree_rs
```
## Predicciones en TRAIN
```{r}
collect_metrics(tree_rs)
```
```{r}
tree_rs %>%
collect_metrics(summarize=FALSE)
```
#### Ploteamos los hiperparámetros
Vamos a plotear los 3 hiperparámetros q hicimos tunning, lo hacemos mediante la función autoplot() disponible en tidymodels.
```{r}
autoplot(tree_rs)
```
### El mejor modelo
```{r}
show_best(tree_rs)
```
## Finalizamos el modelo
En esta etapa finalizamos el modelo, con el mejor valor de rsme obtenido, vamos a elegir este modelo.
```{r}
final_tree <- finalize_model(tree_spec, select_best(tree_rs, "rmse"))
final_tree
```
## Resultados en TEST
Mediante la función **last_fit()** de tidymodels, lo que hacemos es tomar el mejor modelo que fue ajustado anteriormente y devolver los resultados en TEST.
```{r}
final_rs <- last_fit(final_tree, medv ~ ., p_split)
final_rs
```
### Metricas en TEST set
```{r}
final_rs %>%
collect_metrics()
```
Podemos ver las predicciones del modelo en TEST mediante la función **collect_predictions()**.
```{r}
final_rs %>%
collect_predictions()
```
```{r}
collect_predictions(final_rs) %>%
ggplot(aes(medv, .pred)) +
geom_abline(lty = 2, color = "gray50") +
geom_point(alpha = 0.5, color = "midnightblue") +
coord_fixed()
```