今回は、glmnet エンジンで multinomial logistic regression でやってみます。
モデルを作成します。multinom_reg() 関数です。
ワークフローを作成します。
チューニングのグリッドを作成します。
チューニングを実行します。
最良のパラメータを確認します。
最良のパラメータで最終ワークフローを作成します。
df_train のデータで学習します。
df_test のデータで予測します。
3, 4, 5, 6, 9, 10 行目が正解しています。
混合行列を作成します。conf_mat() 関数を使います。
前回の Naive Bayes よりもよさそうです。
正解率を計算します。accuracy() 関数を使います。
90.1% の正解率でした。k-NN よりも正解率が高いです。
今回は以上です。
次回は
です。
はじめから読むには、
です。
今回のコードは以下になります。
#
# モデルの作成
glmnet_mod <- multinom_reg(
penalty = tune(), # λ
mixture = tune() # α
) |>
set_engine("glmnet", maxit = 500000)
#
# ワークフローの作成
glmnet_wf <- workflow() |>
add_recipe(rec) |>
add_model(glmnet_mod)
#
# チューニンググリッドの作成
lambda_values <- 10^seq(-3, 0, length.out = 20)
glmnet_grid <- crossing(
penalty = lambda_values,
mixture = c(0.2, 0.5, 0.8)
)
#
# チューニング実行
set.seed(123)
glmnet_tuned <- tune_grid(
glmnet_wf,
resamples = folds,
grid = glmnet_grid,
metrics = metric_set(accuracy)
)
#
# 最良パラメータ
glmnet_params <- select_best(glmnet_tuned, metric = "accuracy")
glmnet_params
#
# 最良パラメータで最終ワークフロー
glmnet_wf_final <- finalize_workflow(glmnet_wf, glmnet_params)
#
# 最終ワークフローで学習
glmnet_fit <- fit(glmnet_wf_final, data = df_train)
#
# テスト用のデータで予測
glmnet_pred <- predict(glmnet_fit, new_data = df_test) |>
bind_cols(df_test |> select(obesity))
glmnet_pred
#
# 予測結果の混合行列
conf_mat(glmnet_pred, truth = obesity, estimate = .pred_class)
#
# 予測結果の正解率
accuracy(glmnet_pred, truth = obesity, estimate = .pred_class)
#
(冒頭の画像は Bing Image Creator で生成しました。プロンプトは Natural landscape of old time blue forest, under the red sky, close up of colorful pansy flowers, Photo です。)
