今回は決定木モデルで予測します。decision_tree() 関数で、エンジンは rpart を使います。モデルを作成します。
ワークフローを作ります。
チューニンググリッドを作成します。
チューニングを実行します。
最適なパラメータを取り出します。
最適なパラメータを使って最終ワークフローを作ります。
トレーニング用のデータで学習します。
テスト用のデータで予測します。
おお！1行目から10行目まで全部正解です。すごいですね。
混合行列を作成します。
Obesity Type III はパーフェクトに予測しています。
正解率はどのくらいでしょうか？
94.2% の正解率は、いままでで一番ですね。
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
tree_mod <- decision_tree(
cost_complexity = tune(),
tree_depth = tune(),
min_n = tune()
) |>
set_engine("rpart") |>
set_mode("classification")
#
# ワークフローの作成
tree_wf <- workflow() |>
add_recipe(rec) |>
add_model(tree_mod)
#
# チューニンググリッドの作成
tree_grid <- grid_regular(
cost_complexity(range = c(-5, -1)),
tree_depth(range = c(1, 10)),
min_n(range = c(2, 20)),
levels = 5
)
#
# チューニングの実行
set.seed(123)
tree_tuned <- tune_grid(
tree_wf,
resamples = folds,
grid = tree_grid,
metrics = metric_set(accuracy)
)
#
# 最適なパラメータ
tree_params <- select_best(tree_tuned, metric = "accuracy")
tree_params
#
# 最適なパラメータで最終ワークフロー
tree_wf_final <- finalize_workflow(tree_wf, tree_params)
#
# トレーニング用のデータで学習
tree_fit <- fit(tree_wf_final, data = df_train)
#
# テスト用のデータで予測
tree_pred <- predict(tree_fit, new_data = df_test) |>
bind_cols(df_test |> select(obesity))
tree_pred
#
# 混合行列を作成
conf_mat(tree_pred, truth = obesity, estimate = .pred_class)
#
# 正解率
accuracy(tree_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 Landscape of photograph, showing vast desert land, a few coconut trees, small oasis, bule sky and one white cloud, closing up of blue morning glory flowers. です。)
