123 lines
4.5 KiB
Plaintext
123 lines
4.5 KiB
Plaintext
---
|
||
title: "Lab9: Decision trees"
|
||
author: "Vladislav Litvinov <vlad@sek1ro>"
|
||
output:
|
||
pdf_document:
|
||
toc_float: TRUE
|
||
---
|
||
# Data preparation
|
||
```{r}
|
||
setwd('/home/sek1ro/git/public/lab/ds/25-1/r')
|
||
survey <- read.csv('survey.csv')
|
||
|
||
train_df = survey[1:600,]
|
||
test_df = survey[601:750,]
|
||
```
|
||
# Building classification tree
|
||
decision formula is MYDEPV ~ Price + Income + Age
|
||
|
||
Use three-fold cross-validation and the information gain splitting index
|
||
Which features were actually used to construct the tree?
|
||
Plot the tree using the “rpart.plot” package.
|
||
|
||
Three-fold cross-validation - Делают 3 прогона:
|
||
Прогон 1: обучаемся на B + C, тестируем на A
|
||
Прогон 2: обучаемся на A + C, тестируем на B
|
||
Прогон 3: обучаемся на A + B, тестируем на C
|
||
|
||
Получаем 3 значения метрики (accuracy, F1, MSE и т.п.).
|
||
Берём среднее значение — это и есть итоговая оценка качества модели.
|
||
|
||
rpart сам отбрасывает признаки, если они не улучшают разбиение по information gain.
|
||
|
||
CP-table - связь сложности дерева и ошибки
|
||
Root node error — ошибка без разбиений
|
||
nsplit — число split-ов
|
||
rel error — обучающая ошибка относительно корня
|
||
xerror — ошибка по cross-validation
|
||
xstd — стандартное отклонение xerror
|
||
|
||
type — расположение split-ов
|
||
extra — доп. информация в узлах
|
||
fallen.leaves — выравнивание листьев
|
||
|
||
H = -x\cdot\log\left(x\right)-\left(1-x\right)\log\left(1-x\right)
|
||
Gain(A) = Info(S) - Info(S_A) - максимизируем
|
||
|
||
Ранняя остановка. Ограничение грубины. Минимальное количество примеров в узле.
|
||
|
||
Отсечение ветвей.
|
||
Строительство полного дерева, в котором листья содержат примеры одного класса.
|
||
Определение двух показателей: относительную точность модели и абсолютную ошибку.
|
||
Удаление листов и узлов, потеря которых минимально скажется на точности модели и увеличении ошибки.
|
||
|
||
|
||
```{r}
|
||
library(rpart)
|
||
tree = rpart(
|
||
MYDEPV ~ Price + Income + Age,
|
||
data = train_df,
|
||
method = "class",
|
||
parms = list(split = "information"),
|
||
control = rpart.control(
|
||
xval = 3,
|
||
),
|
||
)
|
||
printcp(tree)
|
||
|
||
library(rpart.plot)
|
||
|
||
rpart.plot(
|
||
tree,
|
||
type = 1,
|
||
extra = 106,
|
||
#6 Class models: the probability of the second class only. Useful for binary responses.
|
||
#100 display the percentage of observations in the node.
|
||
fallen.leaves = TRUE,
|
||
)
|
||
```
|
||
Score the model with the training data and create the model’s confusion matrix. Which class of MYDEPV was the model better able to classify?
|
||
```{r}
|
||
pred_class = predict(tree, train_df, type="class")
|
||
|
||
conf_mat = table(
|
||
Actual = train_df$MYDEPV,
|
||
Predicted = pred_class
|
||
)
|
||
|
||
conf_mat
|
||
print(diag(conf_mat) / rowSums(conf_mat))
|
||
```
|
||
Define the resubstitution error rate, and then calculate it using the confusion matrix from the previous step. Is it a good indicator of predictive performance? Why or why not?
|
||
|
||
Resubstitution error rate — это доля неправильных предсказаний на тех же данных, на которых обучалась модель
|
||
```{r}
|
||
print(1 - sum(diag(conf_mat)) / sum(conf_mat))
|
||
```
|
||
ROC curve - Receiver Operating Characteristic
|
||
x - FPR = FP / (FP + TN)
|
||
y - TPR = TP / (TP + FN)
|
||
```{r}
|
||
pred_prob = predict(tree, train_df, type="prob")[,2]
|
||
|
||
library(ROCR)
|
||
pred = prediction(pred_prob, train_df$MYDEPV)
|
||
perf = performance(pred, "tpr", "fpr")
|
||
|
||
plot(perf)
|
||
abline(a = 0, b = 1)
|
||
|
||
auc_perf = performance(pred, measure = "auc")
|
||
auc_value = auc_perf@y.values[[1]]
|
||
auc_value
|
||
```
|
||
Score the model with the testing data. How accurate are the tree’s predictions?
|
||
Repeat part (a), but set the splitting index to the Gini coefficient splitting index. How does the new tree compare to the previous one?
|
||
|
||
индекс Джини показывает, как часто случайно выбранный пример обучающего множества будет распознан неправильно.
|
||
|
||
Gini(Q) = 1 - sum(p^2) - максимизируем
|
||
0 - все к 1 классу
|
||
1 - все равновероятны
|
||
```{r}
|
||
``` |