Сравнение Caret и TidyModel

Это не исчерпывающее сравнение, и, как я уже признал, здесь мы сравниваем яблоки с грушами.

Каковы тенденции использования TidyModels и CARET в R?

Недавно я играл с функцией получения количества загрузок пакетов в месяц. Я написал статью об этом на веб-сайте сообщества NHS-R. Эта функция принимает вектор имен пакетов и возвращает таблицу, сводку и диаграмму ggplot.

Это подтолкнуло меня к расследованию: « карет действительно умирает? » и « » насколько популярны становятся приборки? ” Затем я также сравниваю каре и пастернак, чтобы получить более объективное сравнение.

Ежемесячные загрузки CARET и TidyModels

С точки зрения загрузок, если это наш показатель популярности и использования, с весны 2020 г. карета начинает демонстрировать нисходящую вогнутость, а tidymodels показывает более или менее увеличение из месяца в месяц. Тем не менее, масштаб масштабов между пакетами ошеломляет.

Ежемесячные загрузки CARET против пастернака

Далее, чтобы проверить, как выглядит пастернак?

Пастернак показывает аналогичный восходящий тренд, до недавнего короткого спада. Это показывает, что карет по-прежнему загружается много, но число TidyModels растет.

Где учиться?

Я сделал пару туториалов по каретке или TidyModels. Они были сосредоточены на задаче классификации ML, и их можно сравнивать напрямую.

Узнать КАРЕТ

Изучите TidyModels

Первая часть по очистке данных с рецептами и подгонке модели с пастернаком.

Критерий затем используется для оценки. Второе руководство посвящено улучшению вашей модели с помощью повторной выборки и настройки гиперпараметров:

Привет пакету ConfusionTableR

В этот семинар включена ссылка на пакет ConfusionTableR, который я создал для упорядочения выходных данных моделей классификации. Недавно он был обновлен, поэтому узнайте, как использовать этот пакет здесь:

Заключительные заявления и где взять содержимое

Я думаю, что пакет caret по-прежнему очень хорош, но я также вижу, откуда берется ажиотаж вокруг пакета TidyModels. Мне лично нравятся оба по разным причинам, некоторые из которых я не могу описать на бумаге, но сказать, что каре не следует учить, по-прежнему неверно, так как многие отрасли и организации все еще используют этот превосходный пакет.

Содержание:

• Учебник CARET — это обучение GitHub
• Классификационная модель TidyModels — это содержимое «создание модели с нуля»
• ConfusionTableR — это содержимое пакета для очистки выходных данных матрицы путаницы для хранения базы данных
• PackageTracker — функция для отслеживания посылок, как описано в этой статье.

Если вам не нравятся пакеты для моделирования в R, всегда есть чему поучиться!

Спасибо, ребята, и до новых встреч!

К оставьте комментарий для автора, перейдите по ссылке и оставьте комментарий в их блоге: R Blogs — Hutsons-hacks .

R-bloggers.com предлагает ежедневных обновления по электронной почте новостей R и руководств по изучению R и многим другим темам. Нажмите здесь, если вы хотите опубликовать или найти работу R/data-science.

Хотите поделиться своим контентом с R-блогерами? нажмите здесь, если у вас есть блог, или здесь, если у вас его нет.

Caret vs Tidymodels: как использовать оба пакета для машинного обучения? | by Yu-En Hsu

Пример создания моделей с двумя популярными пакетами вместе в R для прогнозирования спроса на прокат велосипедов

Фото Криса Барбалиса на Unsplash

Макс Кун создает оба пакета (при участии многих других талантливых людей). Пакет Caret (сокращение от C lassification A nd RE gression T raining) упрощает процесс создания прогностических моделей и является лучшим выбором среди пользователей R. Он существует уже давно, и существует множество ресурсов, ответов и решений на все возможные вопросы. С другой стороны, tidymodels новее и построен на принципах tidyverse . RStudio наняла Макса, намеревающегося разработать опрятную версию каретки.

Я использовал карет для прогнозного моделирования. Хотя я знаю о tidymodels , я начал исследовать только на прошлой неделе. Как и все в жизни, внедрение новой экосистемы требует времени и терпения. Так что этот пост ни в коем случае не является исчерпывающим анализом. Полный код доступен на GitHub, и опубликована HTML-версия Markdown.

Caret — это единый пакет с различными функциями для машинного обучения. Например, createDataPartition для разделения данных и trainControl для настройки перекрестной проверки.

tidymodels — набор пакетов для моделирования. Когда я выполняю команду library(tidymodels) , загружаются следующие пакеты:

• rsample : для разделения данных и повторной выборки
• пастернак : для опробования различных моделей
• рецепты : для предварительной обработки
• рабочий процесс : для объединения всего
• критерий : для оценки моделей
  

6 общая информация статистические объекты R в удобные для пользователя предсказуемые форматы

• циферблаты : для создания и управления параметрами настройки

Некоторые общие библиотеки из tidyverse , например dplyr , также загружаются. Как показано, tidymodels разбивает рабочий процесс машинного обучения на несколько этапов и предоставляет специализированные пакеты для каждого этапа. Это выгодно для пользователей из-за повышенной гибкости и возможностей. Однако для новичка это может быть пугающим (по крайней мере, для меня).

Данные взяты из набора данных по совместному использованию велосипедов хранилища UCI. Цель состоит в том, чтобы спрогнозировать общее количество прокатных велосипедов и на основе условий окружающей среды и сезонных условий.

  Библиотека  (TIDYMODELS) 
  Библиотека  (ЛИЦА) 
  Библиотека  (Lubridate) 
  Библиотека  (Tidyverse) 
   (Моменты) 
  Библиотека  (Corprr) 04           . 
4 . 
4 . 
4 . 
4 . 
4  (MOMANTS) 
  (Corprr 
 bike <- read_csv("Bike-Sharing-Dataset/hour.csv") 
 bike %>% dim() 
  ## [1] 17379 17  

Имеется 17 379 случаев и 17 признаков. Убрал момент , поменял форматирование на год и переименованы некоторые переменные.

 велосипед %>% 
 mutate(instant = NULL, yr = yr + 2011) %>% 
 rename( 
 дата = день, 
 год = год, 
 месяц = ​​месяц, 
 час = час, 
 погода = погода, 
 влажность = гул, 
 всего = cnt 
 ) -> 
 велосипед 
 голова (велосипед) 

Предварительный просмотр заголовка фрейма данных

Целевая переменная

 велосипед %>% 
 pivot_longer( 
 cols = c(случайный, зарегистрированный, общий), 
 name_to = "тип пользователя", 
 values_to = "количество" 
 ) %>% 
 ggplot(aes(count, color = usertype)) + 
 geom_density() + 
 labs( 
 title = "Распределение количества арендованных велосипедов", 
 x = "Количество в час", y = "Плотность" 
 ) + 
 scale_color_discrete( 
 name = "Тип пользователя", 
 breaks = c("случайный", "зарегистрированный", "всего"), 
 labels = c("Незарегистрированный", "Зарегистрированный", "Всего") 
 ) 

Распределение целевой переменной

Распределения числа арендных платежей имеют положительную асимметрию. Желательно иметь нормальное распределение, так как большинство методов машинного обучения требуют, чтобы зависимая переменная была нормальной. Я обратился к асимметрии позже.

Correlation

Я использовал функцию corrected() из пакета corrr , который является частью tidymodels , но не загружается автоматически командой library(tidymodels) . Меня постоянно удивляет, сколько пакетов в аккуратной экосистеме. Как правило, я предпочитаю аккуратные пакеты независимым из-за интеграции конвейера и единообразия эстетики, и corrr не является исключением.

 велосипед %>% 
 select(where(is.numeric)) %>% 
 корреляция() %>% 
 перестановка(absolute = FALSE) %>% 
 shave() -> 
 bike_cor 
 rplot(bike_cor, print_cor = TRUE) 

График корреляции

Поскольку я еще не разделил данные, этот шаг представляет собой , а не масштабирование или центрирование данных, которые должны соответствовать обучающей выборке и преобразовывать проверочную выборку. Здесь я сосредоточусь на процессе, применимом ко всем данным и не имеющем параметра, таком как факторизация или простой математический расчет. Например, если я возьму квадратный корень из числа, я могу возвести его в квадрат, чтобы узнать исходное число. Однако для нормализации мне нужно знать минимальное и максимальное значение переменной, которые могут отличаться для обучения и тестирования.

Целевая переменная

Я сосредоточился на общем количестве , поэтому случайные и зарегистрированные переменные перемещаются. Как предполагалось ранее, целевая переменная имеет положительную асимметрию и требует преобразования. Я попробовал несколько распространенных методов для данных с положительной асимметрией и применил метод с наименьшей асимметрией — кубический корень.

 bike_all <- bike %>% 
 select(-casual, -registered) 
  # Оригинал  
 skewness(bike_all$total) 9(1 / 3) 
 

Предикторы

Категориальные переменные преобразуются в факторы в соответствии с атрибутивной информацией, предоставленной UCI.

 bike_all$season <- factor( 
 bike_all$season, 
 уровней = c(1, 2, 3, 4), 
 labels = c("весна", "лето", "осень", "зима") 
 ) 
 bike_all$holiday <- factor( 
 bike_all$holiday, 
 уровней = c(0, 1), labels = c(FALSE, TRUE) 
 ) 
 bike_all$workingday <- factor( 
 bike_all$workingday, 
 уровней = c(0, 1), метки = c(ЛОЖЬ, ИСТИНА) 
 ) 
 bike_all$weather <- factor( 
 bike_all$weather, 
 уровней = c(1, 2, 3, 4), 
 меток = c("ясно", "облачно", "дождь", "сильный дождь"), 
 order = TRUE 
 ) 
 head(bike_all) 

Предварительный просмотр заголовка фрейма данных

Оба пакета предоставляют функции для общих стратегий разделения данных, таких как k -кратность, сгруппированная k-кратность, пропуск единицы и начальная загрузка. Но tidyverse кажется более полной, так как включает перекрестную проверку Монте-Карло (я не знаю, что это такое, но звучит круто) и вложенная перекрестная проверка . Я особо выделил этот метод, потому что в исследовательской работе было обнаружено, что «подходы с вложенным CV и разделением обучения/тестирования дают надежные и непредвзятые оценки производительности независимо от размера выборки». (Vabalas et al., 2019)

tidymodels

Библиотека tidymodels rsample обрабатывает разделение данных. Разделение обучения и тестирования выполняется, как показано, вместе с 10-кратной перекрестной проверкой.

 set.seed(25) 
 split <- initial_split(bike_all, prop = 0.8) 
 train_data <- training(split) 
 train_data %>% dim() 
  ## [1] 13904 14  
 test_data <- testing(split) 
 test_data %>% dim() 
  ## [1] 3475 14  
 
 train_cv <- vfold_cv(train_data, v = 10) 
 

знак вставки

Доступны две опции:

• Использовать собственные функции DataPart , такие как create 1019 9019 9.

 set.seed(25) 
 train_index <- createDataPartition( 
 bike_all$total, p = 0,8, times = 1, list = FALSE 
 ) 
 train_data <- mics[ train_index, ] 
 test_data <- mics[-train_index, ] 
 fold_index <- createFolds( 
 train_data$total, 
 k = 10, returnTrain = TRUE, list = TRUE 
 ) 
 train_cv <- trainControl(method="cv", index = fold_index) 
 

• Используйте функцию rsample2caret от tidymodels, которая возвращает список, имитирующий индекс и indexOut элементов объект trainControl .

 train_cv_caret <- rsample2caret(train_cv) 
 ctrl_caret <- trainControl( 
 method = "cv", 
 index = train_cv_caret$index, 
 indexOut = train_cv_caret$indexOut 
 )  9000 Два пакета очень похожи. Интересно, что  trainControl  указывает только стратегию перекрестной проверки, но не данные. Тем не менее, благодаря  командам rsample2caret()  и  командам caret2rsample()  из  tidymodels  легко настроить ресемплинг в любом пакете, который вы предпочитаете. Здесь я использовал  rsample2caret()  для создания 10-кратных индексов для  Caret , чтобы обеспечить идентичность перекрестной проверки для обоих. 
 
 В каретке   одна функция  preProcess  охватывает всю предварительную обработку числовых признаков, включая вменение, центрирование, масштабирование и преобразование мощности. Для категориальных функций я могу либо использовать  dummyVars  для создания фиктивных переменных, либо оставить значение 9. 0190 train  , который обрабатывает факторы во время обучения модели. Одна вещь, которую я нахожу разочаровывающей, заключается в том, что я не могу указать предварительную обработку для разных переменных. Например, я хочу использовать преобразование Бокса-Кокса, чтобы нормализовать сильно искаженную переменную. Но  preProcess  выполняет преобразование для всех предикторов. Если вы знакомы с  sklearn  в Python, я говорю, что хочу  ColumnTransformer . 
 
 tidymodels 
 
  рецепты  выполняет желание, позволяя мне определить рецепт или план, который можно использовать для последовательного определения кодирования и предварительной обработки данных (то есть «разработка функций»). Кроме того,  рецептов , кажется, предлагают больше методов предварительной обработки. Однако, в отличие от  Caret  ,  recipes  не обрабатывает категориальные переменные автоматически, и мне нужно создавать фиктивные переменные вручную.  Тем не менее, возможность настраивать предварительную обработку лучше, чем небольшое неудобство, связанное с созданием фиктивных переменных. 
 
 prep_recipe <- 
 recipe(total ~ ., data = train_data) %>% 
 step_rm(год, месяц, день недели) %>% 
 step_date(дата) %>% 
 step_corr(all_numeric(), порог = 0,8) %>% 
 step_dummy(all_nominal()) 
 знак вставки 
 Точно так же я могу использовать функцию вставки  preProcess() . Но меня это всегда расстраивает, потому что все числовые переменные обрабатываются, а гибкости не так много.
 подготовка <- предварительная обработка (отсечка = 0,8) 
 Опять же, для каре можно использовать рецепт  tidymodels . Здесь я  prep()  и  Bake()  для преобразования данных, потому что каретка не имеет функции рабочего процесса.
 train_data_caret <- 
 prep(prep_recipe) %>% Bake(new_data = NULL) 
 test_data_caret <- 
 prep(prep_recipe) %>% Bake(new_data = test_data) 
 
 Две пользовательские функции, которые я буду использовать позже: 7 7 7  # Создание таблиц предсказания  
 предсказание_таблицы <- 93 
 ) 
 } 
 result 
 }
  # Извлечь RMSE для моделей  
 pull_rmse <-  function  (result_table) { 
 rmse_result <- rmse(result_table, pred, fact) %>0 9027 rmse_result_real <- rmse(result_table, pred_real, fact_real) %>% 
 pull(. estimate) 
 result <- c(rmse = rmse_result, real_rmse = rmse_result_real) 
 }
 Базовый уровень 
 всего 93 
 ) %>% 
 mutate(pred = mean(actual), pred_real = mean(actual_real))base_train_rmse <- pull_rmse(base_train_pred) 
 print(base_train_rmse) 
 ## rmse real_rmse 
 ## 2.032927 181.063306base_rmse(base_rmse_rmse) base_test_pred) 
 print(base_test_rmse) 
 ## rmse real_rmse 
 ## 2.02608 182.61370
 Деревья решений с tidymodels 
  пастернак  для моделирования, well 9190 workflow