regr-tree02

statlearning

trees

tidymodels

mtcars

string

Published

May 17, 2023

library(tidymodels)

Aufgabe

Berechnen Sie einfaches Prognosemodell auf Basis eines Entscheidungsbaums!

Modellformel: am ~ . (Datensatz mtcars)

Berichten Sie die Modellgüte (ROC-AUC).

Hinweise:

Tunen Sie alle Parameter (die der Engine anbietet).
Führen Sie eine \(v=2\)-fache Kreuzvalidierung durch (weil die Stichprobe so klein ist).
Beachten Sie die üblichen Hinweise.

Lösung

Setup

library(tidymodels)
data(mtcars)
library(tictoc)  # Zeitmessung

Für Klassifikation verlangt Tidymodels eine nominale AV, keine numerische:

mtcars <-
  mtcars %>% 
  mutate(am = factor(am))

Daten teilen

d_split <- initial_split(mtcars)
d_train <- training(d_split)
d_test <- testing(d_split)

Modell(e)

mod_tree <-
  decision_tree(mode = "classification",
                cost_complexity = tune(),
                tree_depth = tune(),
                min_n = tune())

Rezept(e)

rec1 <- 
  recipe(am ~ ., data = d_train)

Resampling

rsmpl <- vfold_cv(d_train, v = 2)

Workflow

wf1 <-
  workflow() %>%  
  add_recipe(rec1) %>% 
  add_model(mod_tree)

Tuning/Fitting

fit1 <-
  tune_grid(object = wf1,
            metrics = metric_set(roc_auc),
            resamples = rsmpl)

Bester Kandidat

autoplot(fit1)

show_best(fit1)

Finalisieren

wf1_finalized <-
  wf1 %>% 
  finalize_workflow(select_best(fit1))

Last Fit

final_fit <- 
  last_fit(object = wf1_finalized, d_split)

collect_metrics(final_fit)

Categories:

statlearning
trees
tidymodels
string

---
exname: regression-tree02
expoints: 1
extype: string
exsolution: NA
categories:
- statlearning
- trees
- tidymodels
- mtcars
- string
date: '2023-05-17'
slug: regr-tree02
title: regr-tree02
execute: 
  error: true
  eval: false
---




```{r}
library(tidymodels)
```



# Aufgabe


Berechnen Sie einfaches Prognosemodell auf Basis eines Entscheidungsbaums!

Modellformel: `am ~ .` (Datensatz `mtcars`)

Berichten Sie die Modellgüte (ROC-AUC).

Hinweise:

- Tunen Sie alle Parameter (die der Engine anbietet). 
- Führen Sie eine $v=2$-fache Kreuzvalidierung durch (weil die Stichprobe so klein ist).
- Beachten Sie die [üblichen Hinweise](https://datenwerk.netlify.app/hinweise).





</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>

# Lösung

## Setup

```{r}
library(tidymodels)
data(mtcars)
library(tictoc)  # Zeitmessung
```


Für Klassifikation verlangt Tidymodels eine nominale AV, keine numerische:

```{r}
mtcars <-
  mtcars %>% 
  mutate(am = factor(am))
```



## Daten teilen

```{r}
d_split <- initial_split(mtcars)
d_train <- training(d_split)
d_test <- testing(d_split)
```


## Modell(e)


```{r}
mod_tree <-
  decision_tree(mode = "classification",
                cost_complexity = tune(),
                tree_depth = tune(),
                min_n = tune())
```




## Rezept(e)

```{r}
rec1 <- 
  recipe(am ~ ., data = d_train)
```



## Resampling

```{r}
rsmpl <- vfold_cv(d_train, v = 2)
```


## Workflow

```{r}
wf1 <-
  workflow() %>%  
  add_recipe(rec1) %>% 
  add_model(mod_tree)
```

## Tuning/Fitting


```{r}
fit1 <-
  tune_grid(object = wf1,
            metrics = metric_set(roc_auc),
            resamples = rsmpl)
```


## Bester Kandidat

```{r}
autoplot(fit1)
```

```{r}
show_best(fit1)
```


## Finalisieren


```{r}
wf1_finalized <-
  wf1 %>% 
  finalize_workflow(select_best(fit1))
```


## Last Fit

```{r}
final_fit <- 
  last_fit(object = wf1_finalized, d_split)

collect_metrics(final_fit)
```




---

Categories: 

- statlearning
- trees
- tidymodels
- string