Wprowadzenie do uczenia maszynowego w R

Uczenie maszynowe umożliwia komputerom uczenie się wzorców na podstawie danych i tworzenie przewidywań. R udostępnia wiele bibliotek do uczenia maszynowego, w tym caret i randomForest.

Wczytywanie pakietu Caret

Pakiet caret upraszcza procesy uczenia maszynowego w R.

library(caret)
data(iris)

Dzielenie danych na zbiory treningowy i testowy

Podział danych zapewnia prawidłową ocenę modelu dzięki osobnemu trenowaniu i testowaniu.

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

Budowanie modelu drzewa decyzyjnego

Drzewa decyzyjne klasyfikują dane, dzieląc cechy w punktach decyzyjnych.

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

Trenowanie modelu lasu losowego

Lasy losowe zwiększają skuteczność drzew decyzyjnych, łącząc wiele modeli.

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

Tworzenie przewidywań

Użyj predict(), aby tworzyć przewidywania dla nowych danych.

predictions <- predict(rf_model, newdata=testData)

Ocena dokładności modelu

Dokładność mierzy, jak dobrze model działa na danych testowych.

confusionMatrix(predictions, testData$Species)

Dostrajanie hiperparametrów

Użyj train(), aby optymalizować parametry modelu i poprawiać jego działanie.

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

Podsumowanie

W tej lekcji nauczyli się Państwo:

• Jak dzielić dane na zbiory treningowy i testowy.
• Jak budować modele drzew decyzyjnych i lasów losowych.
• Jak oceniać działanie modelu i dostrajać hiperparametry.