regr-tree02

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)

cost_complexity	tree_depth	min_n	.metric	.estimator	mean	n	std_err	.config
0e+00	5	18	roc_auc	binary	0.8333333	2	0	pre0_mod01_post0
0e+00	13	23	roc_auc	binary	0.8333333	2	0	pre0_mod02_post0
0e+00	4	35	roc_auc	binary	0.8333333	2	0	pre0_mod03_post0
1e-06	1	10	roc_auc	binary	0.8333333	2	0	pre0_mod05_post0
1e-05	11	40	roc_auc	binary	0.8333333	2	0	pre0_mod06_post0

Finalisieren

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

Last Fit

final_fit <- 
  last_fit(object = wf1_finalized, d_split)

collect_metrics(final_fit)

.metric	.estimator	.estimate	.config
accuracy	binary	0.7500000	pre0_mod0_post0
roc_auc	binary	0.7500000	pre0_mod0_post0
brier_class	binary	0.2509766	pre0_mod0_post0

---

Categories:

• statlearning
• trees
• tidymodels
• string