の続きです。今回はランダムフォレストモデルで予測してみます。
まず、モデルを作成します。
ワークフローを作成します。
チューニンググリッドを作成します。
トレーニング用のデータでチューニングします。
最適なパラメータを確認します。
最終ワークフローを作成します。
トレーニング用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～～！ さすがランダムフォレストですね。はじめの10行は全問正解です。
混合行列を作成します。
Obesity_Type_IIとIIIは全部正解です。
正解率を計算します。
正解率は 94.0% でした。このデータセットは。ツリーモデルと相性がいいようですね。
今回は以上です。
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
rf_mod <- rand_forest(
mtry = tune(),
trees = 500,
min_n = tune()
) |>
set_engine("ranger", importance = "impurity") |>
set_mode("classification")
#
# ワークフローの作成
rf_wf <- workflow() |>
add_recipe(rec) |>
add_model(rf_mod)
#
# チューニンググリッドの作成
rf_grid <- grid_regular(
mtry(range = c(1, 4)),
min_n(range = c(2, 20)),
levels = 5
)
#
# チューニングの実行
set.seed(123)
rf_tuned <- tune_grid(
rf_wf,
resamples = folds,
grid = rf_grid,
metrics = metric_set(accuracy)
)
#
# 最適なパラメータの確認
rf_params <- select_best(rf_tuned, metric = "accuracy")
rf_params
#
# 最適なパラメータで最終ワークフローを作成
rf_wf_final <- finalize_workflow(rf_wf, rf_params)
#
# トレーニング用データで学習
set.seed(123)
rf_fit <- fit(rf_wf_final, data = df_train)
#
# テスト用のデータで予測
rf_pred <- predict(rf_fit, new_data = df_test) |>
bind_cols(df_test |> select(obesity))
tree_pred
#
# 混合行列を作成
conf_mat(rf_pred, truth = obesity, estimate = .pred_class)
#
# 正解率
accuracy(rf_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 Photograph of landscape, natural green grass field, under the clear blue sky, there are some purple AJISAI and red AJISAI flowers, close up of a yellow AJISAI flower. です。)
