Introduzione al machine learning in R

Il machine learning consente ai computer di apprendere pattern dai dati e formulare previsioni. R offre diverse librerie per il machine learning, tra cui caret e randomForest.

Caricamento del pacchetto Caret

Il pacchetto caret semplifica i flussi di lavoro di machine learning in R.

library(caret)
data(iris)

Divisione dei dati in set di addestramento e test

Dividere i dati garantisce una corretta valutazione del modello, eseguendo separatamente l'addestramento e il test.

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

Creazione di un modello ad albero decisionale

Gli alberi decisionali classificano i dati suddividendo le feature nei punti decisionali.

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

Addestramento di un modello Random Forest

Le random forest migliorano gli alberi decisionali combinando più modelli.

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

Formulazione di previsioni

Usi predict() per formulare previsioni su nuovi dati.

predictions <- predict(rf_model, newdata=testData)

Valutazione dell'accuratezza del modello

L'accuratezza misura il livello di prestazioni del modello sui dati di test.

confusionMatrix(predictions, testData$Species)

Ottimizzazione degli iperparametri

Usi train() per ottimizzare i parametri del modello e migliorarne le prestazioni.

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

Riepilogo

In questa lezione ha imparato:

• Come dividere i dati in set di addestramento e di test.
• Come creare modelli ad albero decisionale e random forest.
• Come valutare le prestazioni del modello e ottimizzare gli iperparametri.