Skip to content

Latest commit

 

History

History
300 lines (186 loc) · 6.7 KB

Cap12-Arvore-Decisao-Rpart-Cluster-Kmeans.md

File metadata and controls

300 lines (186 loc) · 6.7 KB

Árvore de Decisão em R

O processo:

  1. Definir problema de negócio
  2. Coletar dados
  3. Análise Exploratória
  4. Manipulação de Dados - Munging
  5. Treinar modelos
  6. Avaliar modelo
  7. Otimizar modelo

Existem diversos pacotes para Árvores de Decisão em R.

Usaremos o rpart()

#install.packages('rpart')
library(rpart)

Utilizar um dataset que é disponibilizado junto com o pacote rpart - kyphosis

str(kyphosis)
'data.frame':	81 obs. of  4 variables:
 $ Kyphosis: Factor w/ 2 levels "absent","present": 1 1 2 1 1 1 1 1 1 2 ...
 $ Age     : int  71 158 128 2 1 1 61 37 113 59 ...
 $ Number  : int  3 3 4 5 4 2 2 3 2 6 ...
 $ Start   : int  5 14 5 1 15 16 17 16 16 12 ...

head(kyphosis, n = 1)
KyphosisAgeNumberStart
absent71 3 5

kyphosis é um fator com níveis ausente|presente indicando se a deformação está presente pós operação

View(kyphosis)

Após explorar o Dataset, criar Modelo de Árvore de Decisão

?rpart
arvore <- rpart(Kyphosis ~ .,       # relacionando a deformação com todas as variáveis
                method = 'class',   # método classificação para um PROBLEMA de classificação
                data = kyphosis)    # dataset
class(arvore)

'rpart'

arvore # esta impressão não é visual
n= 81 

node), split, n, loss, yval, (yprob)
      * denotes terminal node

 1) root 81 17 absent (0.79012346 0.20987654)  
   2) Start>=8.5 62  6 absent (0.90322581 0.09677419)  
     4) Start>=14.5 29  0 absent (1.00000000 0.00000000) *
     5) Start< 14.5 33  6 absent (0.81818182 0.18181818)  
      10) Age< 55 12  0 absent (1.00000000 0.00000000) *
      11) Age>=55 21  6 absent (0.71428571 0.28571429)  
        22) Age>=111 14  2 absent (0.85714286 0.14285714) *
        23) Age< 111 7  3 present (0.42857143 0.57142857) *
   3) Start< 8.5 19  8 present (0.42105263 0.57894737) *

printcp(arvore)
Classification tree:
rpart(formula = Kyphosis ~ ., data = kyphosis, method = "class")

Variables actually used in tree construction:
[1] Age   Start

Root node error: 17/81 = 0.20988

n= 81 

        CP nsplit rel error  xerror    xstd
1 0.176471      0   1.00000 1.00000 0.21559
2 0.019608      1   0.82353 0.94118 0.21078
3 0.010000      4   0.76471 0.94118 0.21078

#variáveis usadas: Age | Start
#erro do modelo árvore = 0.2098
#qtde observações = 81

Visualizar Árvore e aplicar camada gráfica

plot(arvore, uniform = TRUE, main = "Arvore de Decisao em R")
text(arvore, use.n = TRUE, all = TRUE)

png

Este pacote é complementar ao {rpart} - Visualização legível

#install.packages('rpart.plot')
library(rpart.plot)

Dataset Iris - 3 espécies de flores, 4 medidas

library(datasets)

head(iris, n = 1)

View(iris)

Análise Exploratória de dados com ggplot2

install.packages("ggplot2")
library(ggplot2)
also installing the dependencies 'desc', 'pkgbuild', 'pkgload', 'praise', 'rlang', 'testthat', 'isoband'



package 'desc' successfully unpacked and MD5 sums checked
package 'pkgbuild' successfully unpacked and MD5 sums checked
package 'pkgload' successfully unpacked and MD5 sums checked
package 'praise' successfully unpacked and MD5 sums checked
package 'rlang' successfully unpacked and MD5 sums checked
package 'testthat' successfully unpacked and MD5 sums checked
package 'isoband' successfully unpacked and MD5 sums checked
package 'ggplot2' successfully unpacked and MD5 sums checked

The downloaded binary packages are in
	C:\Users\anell\AppData\Local\Temp\Rtmpi28bEi\downloaded_packages


Warning message:
"package 'ggplot2' was built under R version 3.6.3"

Nitidamente o cojunto possui grupos com características similares

ggplot(iris, aes(Petal.Length, Petal.Width, color = Species)) + geom_point(size = 3)

png

Agora usar o K-Means para agrupar dados em Clusters

help(kmeans) # algoritmo mais famoso de clusterizaçãos

Criar modelo de clusterings com K-Kmeans (não-supervisionada)

irisCluster <- kmeans(iris[, 1:4], #conjunto de dados e slicing das 4 colunas
                      3,           #indicar número de clusters desejado
                      nstart = 20) #quantidade de números randômicos
irisCluster
K-means clustering with 3 clusters of sizes 62, 50, 38

Cluster means:
  Sepal.Length Sepal.Width Petal.Length Petal.Width
1     5.901613    2.748387     4.393548    1.433871
2     5.006000    3.428000     1.462000    0.246000
3     6.850000    3.073684     5.742105    2.071053

Clustering vector:
  [1] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 [38] 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 [75] 1 1 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 1 3 3 3 3 1 3 3 3 3
[112] 3 3 1 1 3 3 3 3 1 3 1 3 1 3 3 1 1 3 3 3 3 3 1 3 3 3 3 1 3 3 3 1 3 3 3 1 3
[149] 3 1

Within cluster sum of squares by cluster:
[1] 39.82097 15.15100 23.87947
 (between_SS / total_SS =  88.4 %)

Available components:

[1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
[6] "betweenss"    "size"         "iter"         "ifault"

Aplicar tabulação à saída de K-Means

table(irisCluster$cluster, iris$Species)
    setosa versicolor virginica
  1      0         48        14
  2     50          0         0
  3      0          2        36

Visualizar clusters graficamente

install.packages("cluster")
library(cluster)
#help(clusplot)
package 'cluster' successfully unpacked and MD5 sums checked

The downloaded binary packages are in
	C:\Users\anell\AppData\Local\Temp\Rtmpi28bEi\downloaded_packages


Warning message:
"package 'cluster' was built under R version 3.6.3"

Plot passando dataset iris e cluster criado

Modelo retorna os pontos de dados que representam cada planta por padrão, similaridade

#1.Detectar padrões e similaridades (aprnedizagem não supervisionada) #2.divir dados em grupos, #3.estudar cada grupo de maneira individual (aprendizagem supervisionada)

clusplot(iris, irisCluster$cluster, color = TRUE, shade = TRUE, labels = 0, lines = 0 )

png