tidymodels-penguins04

ds1
tidymodels
prediction
yacsda
statlearning
num
Published

May 17, 2023

Aufgabe

Berechnen Sie ein kNN-Modell mit tidymodels und zwar anhand des penguins Datensatzes.

Modellgleichung: body_mass_g ~ bill_length_mm, data = d_train.

Gesucht ist R-Quadrat als Maß für die Modellgüte im TEST-Sample.

Hinweise:

  • Fixieren Sie die Zufallszahlen auf den Startwert 42.
  • Nutzen Sie eine v=5,r=2 CV.
  • Tunen Sie \(K\) (Default-Tuning)
  • Entfernen Sie fehlende Werte in den Variablen.
  • Verzichten Sie auf weitere Schritte der Vorverarbeitung.











Lösung

Setup:

library(tidymodels)
library(tidyverse)
library(tictoc)  # Rechenzeit messen, optional
# data(penguins, package = "palmerpenguins")
d_path <- "https://vincentarelbundock.github.io/Rdatasets/csv/modeldata/penguins.csv"
d <- read_csv(d_path)

Datensatz auf NAs prüfen:

d2 <-
  d %>% 
  drop_na() 

Datensatz aufteilen:

set.seed(42)
d_split <- initial_split(d2)
d_train <- training(d_split)
d_test <- testing(d_split)

Workflow:

rec1 <-
  recipe(body_mass_g ~ bill_length_mm, data = d_train) %>% 
  step_naomit(all_numeric())

knn_model <-
  nearest_neighbor(
    mode = "regression",
    neighbors = tune()
  ) 

wflow <-
  workflow() %>%
  add_recipe(rec1) %>%
  add_model(knn_model)

wflow

Backen:

d_baked <- prep(rec1) %>% bake(new_data = NULL)
d_baked %>% head()

Auf NA prüfen:

sum(is.na(d_baked))

CV:

set.seed(42)
folds <- vfold_cv(d_train, v = 5, repeats = 2)
folds

Tunen:

d_resamples <-
  tune_grid(
    wflow,
    resamples = folds,
    control = control_grid(save_workflow = TRUE)
  )

d_resamples

Bester Kandidat:

show_best(d_resamples)
fitbest <- fit_best(d_resamples)
fitbest

Last Fit:

fit_last <- last_fit(fitbest, d_split)
fit_last

Modellgüte im Test-Sample:

fit_last %>% collect_metrics()

R-Quadrat:

sol <- collect_metrics(fit_last)[[".estimate"]][2]
sol

Categories:

  • ds1
  • tidymodels
  • prediction
  • yacsda
  • statlearning
  • num