tidymodels-vorlage

Aufgabe

Schreiben Sie eine prototypische Analyse für ein Vorhersagemodell, das sich als Vorlage für Analysen dieser Art eignet!

Hinweise:

• Berechnen Sie ein Modell
• Tunen Sie mind. einen Parameter des Modells
• Verwenden Sie Kreuzvalidierung
• Verwenden Sie Standardwerte, wo nicht anders angegeben.
• Fixieren Sie Zufallszahlen auf den Startwert 42.

Lösung

# 2023-05-08


# Setup:
library(tidymodels)
library(tidyverse)
library(tictoc)  # Zeitmessung
library(baguette)  # Bagged-Trees


# Data:
d_path <- "https://vincentarelbundock.github.io/Rdatasets/csv/palmerpenguins/penguins.csv"
d <- read_csv(d_path)

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


# model:
mod_bag <-
  bag_tree(mode = "regression",
           cost_complexity = tune())


# cv:
set.seed(42)
rsmpl <- vfold_cv(d_train)


# recipe:
rec1_plain <- recipe(body_mass_g ~  ., data = d_train)


# workflow:
wf1 <-
  workflow() %>% 
  add_model(mod_bag) %>% 
  add_recipe(rec1_plain)


# tuning:
tic()
wf1_fit <-
  wf1 %>% 
  tune_grid(
    resamples = rsmpl)
toc()

53.406 sec elapsed

# best candidate:
show_best(wf1_fit)

cost_complexity	.metric	.estimator	mean	n	std_err	.config
0.0064392	rmse	standard	302.1977	10	16.11540	pre0_mod09_post0
0.0000010	rmse	standard	303.9024	10	19.22696	pre0_mod05_post0
0.0000000	rmse	standard	305.0243	10	15.34343	pre0_mod03_post0
0.0000429	rmse	standard	305.2490	10	19.95539	pre0_mod07_post0
0.0000043	rmse	standard	308.3078	10	16.17880	pre0_mod06_post0

# finalize wf:
wf1_final <-
  wf1 %>% 
  finalize_workflow(select_best(wf1_fit))


wf1_fit_final <-
  wf1_final %>% 
  last_fit(d_split)


# Modellgüte im Test-Set:
collect_metrics(wf1_fit_final)

.metric	.estimator	.estimate	.config
rmse	standard	329.9022032	pre0_mod0_post0
rsq	standard	0.8458163	pre0_mod0_post0

---

Categories:

• tidymodels
• statlearning
• template
• string