บทนำสู่การเรียนรู้ของเครื่องใน R

การเรียนรู้ของเครื่องช่วยให้คอมพิวเตอร์เรียนรู้รูปแบบจากข้อมูลและสร้างคำทำนายได้ R มีไลบรารีหลายรายการสำหรับการเรียนรู้ของเครื่อง รวมถึง caret และ randomForest

การโหลดแพ็กเกจ Caret

แพ็กเกจ caret ช่วยลดความซับซ้อนของกระบวนการทำงานด้านการเรียนรู้ของเครื่องใน R

library(caret)
data(iris)

การแบ่งข้อมูลเป็นชุดฝึกและชุดทดสอบ

การแบ่งข้อมูลช่วยให้ประเมินแบบจำลองได้อย่างเหมาะสม โดยแยกการฝึกและการทดสอบออกจากกัน

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

การสร้างแบบจำลองต้นไม้ตัดสินใจ

ต้นไม้ตัดสินใจจำแนกข้อมูลโดยแบ่งคุณลักษณะที่จุดตัดสินใจ

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

การฝึกแบบจำลองป่าสุ่ม

ป่าสุ่มช่วยปรับปรุงต้นไม้ตัดสินใจโดยรวมแบบจำลองหลายแบบเข้าด้วยกัน

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

การสร้างคำทำนาย

ใช้ predict() เพื่อสร้างคำทำนายจากข้อมูลใหม่

predictions <- predict(rf_model, newdata=testData)

การประเมินความแม่นยำของแบบจำลอง

ความแม่นยำใช้วัดว่าแบบจำลองทำงานกับข้อมูลทดสอบได้ดีเพียงใด

confusionMatrix(predictions, testData$Species)

การปรับแต่งพารามิเตอร์ไฮเปอร์

ใช้ train() เพื่อปรับพารามิเตอร์ของแบบจำลองให้เหมาะสมและเพิ่มประสิทธิภาพ

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

สรุป

ในบทเรียนนี้ คุณได้เรียนรู้:

• วิธีแบ่งข้อมูลเป็นชุดฝึกและชุดทดสอบ
• วิธีสร้างแบบจำลองต้นไม้ตัดสินใจและป่าสุ่ม
• วิธีประเมินประสิทธิภาพของแบบจำลองและปรับแต่งพารามิเตอร์ไฮเปอร์