Introduction à l’apprentissage automatique dans R

L’apprentissage automatique permet aux ordinateurs d’apprendre des motifs à partir des données et d’effectuer des prédictions. R fournit plusieurs bibliothèques d’apprentissage automatique, notamment caret et randomForest.

Charger le package Caret

Le package caret simplifie les flux de travail d’apprentissage automatique dans R.

library(caret)
data(iris)

Diviser les données en ensembles d’entraînement et de test

La division des données garantit une évaluation correcte du modèle en séparant l’entraînement et le test.

set.seed(123)
trainIndex <- createDataPartition(iris$Species, p=0.8, list=FALSE)
trainData <- iris[trainIndex,]
testData <- iris[-trainIndex,]

Construire un modèle d’arbre de décision

Les arbres de décision classent les données en divisant les caractéristiques à des points de décision.

library(rpart)
model <- rpart(Species ~ ., data=trainData)
plot(model)
text(model)

Entraîner un modèle de forêt aléatoire

Les forêts aléatoires améliorent les arbres de décision en combinant plusieurs modèles.

library(randomForest)
rf_model <- randomForest(Species ~ ., data=trainData)
print(rf_model)

Effectuer des prédictions

Utilisez predict() pour effectuer des prédictions sur de nouvelles données.

predictions <- predict(rf_model, newdata=testData)

Évaluer la précision du modèle

La précision mesure la qualité des performances du modèle sur les données de test.

confusionMatrix(predictions, testData$Species)

Optimiser les hyperparamètres

Utilisez train() pour optimiser les paramètres du modèle et améliorer ses performances.

tuned_model <- train(Species ~ ., data=trainData, method='rf', tuneLength=3)

Résumé

Dans cette leçon, vous avez appris :

• Comment diviser les données en ensembles d’entraînement et de test.
• Comment construire des modèles d’arbres de décision et de forêts aléatoires.
• Comment évaluer les performances d’un modèle et optimiser ses hyperparamètres.