R机器学习的Tidymodel流水线编程

Tidymodels: tidy machine learning in R

在处理数据时，有简洁的工具包，tidyverse应运而生，极大地简化数据处理流程，让数据处理变得简洁，清晰。
但是在处理完数据后，需要对数据进行建模分析，预测与拟合，这个过程随着模型的不同而变的多元化，尤其是机器学习应用。加速了模型构建的流程化与简洁化。
Caret的出现，让此项工作变得简洁明了。但是还是有些缺点。

image.png

上图基于Wickham和Grolemund撰写的《 R for Data Science》一书。
本文中的版本详细解释了tidymodels每个程序包涵盖的步骤。在模型构建及预测过程中，tidymodels的流畅与简洁，让你体验纵享丝滑般的感受。

在模型构建过程中，需要涉及的数据预处理及模型参数调整，这些步骤都含括在以下程序包中：

rsample - 数据分离重采样
recipes - 数据转换处理
parnip - 模型构建框架
yardstick - 模型效果评估

下图说明了tidymodels建模步骤：

image.png

数据iris

下面我们将通过iris数据来举例说明。
首先，我们将iris数据分成训练和测试集，通过initial_split（）函数实现数据拆分，可以根据prop参数，指定分离比例。分离数据后，我们可以通过training() 与testing() 函数，获取训练集和测试集的数据。

library(tidymodels)

# split
iris_split <- initial_split(iris, prop = 0.6)
iris_split

# get training data
iris_split %>%
  training() %>%
  glimpse()

## Observations: 90
## Variables: 5
## $ Sepal.Length <dbl> 5.1, 4.9, 4.7, 4.6, 5.0, 5.4, 4.6, 5.0, 4.9, 5.4, 4…
## $ Sepal.Width  <dbl> 3.5, 3.0, 3.2, 3.1, 3.6, 3.9, 3.4, 3.4, 3.1, 3.7, 3…
## $ Petal.Length <dbl> 1.4, 1.4, 1.3, 1.5, 1.4, 1.7, 1.4, 1.5, 1.5, 1.5, 1…
## $ Petal.Width  <dbl> 0.2, 0.2, 0.2, 0.2, 0.2, 0.4, 0.3, 0.2, 0.1, 0.2, 0…
## $ Species      <fct> setosa, setosa, setosa, setosa, setosa, setosa, set…

数据预处理

recipes 包提供了多种函数，可以对数据进行预处理。包括数据的标准化，数据的相关性重复，变成亚分类变量等。

step_corr() - 消除相关性较高的影响
step_center() - 以0为中心标准化
step_scale() - 以1为中心标准化

recipe还有一个好处就是，在指定数据处理时，可以用all_predictors()来指定对所有协变量进行归一化。然后all_outcomes()可以指定y。
可以打印recipe的详细信息。里面记录了骤删除了Petal.Length变量。

在处理完train数据后，test数据可以用bake函数进行相似的处理。然后输出为dataframe。train数据从iris_recipe输出为dataframe，可以用juice()。

# train data
iris_recipe <- training(iris_split) %>%
  recipe(Species ~.) %>%
  step_corr(all_predictors()) %>%
  step_center(all_predictors(), -all_outcomes()) %>%
  step_scale(all_predictors(), -all_outcomes()) %>%
  prep()
  
iris_recipe
## Data Recipe
## 
## Inputs:
## 
##       role #variables
##    outcome          1
##  predictor          4
## 
## Training data contained 90 data points and no missing data.
## 
## Operations:
## 
## Correlation filter removed Petal.Length [trained]
## Centering for Sepal.Length, Sepal.Width, Petal.Width [trained]
## Scaling for Sepal.Length, Sepal.Width, Petal.Width [trained]

# test data
iris_testing <- iris_recipe %>%
  bake(testing(iris_split)) 

glimpse(iris_testing)
## Observations: 60
## Variables: 4
## $ Sepal.Length <dbl> -1.597601746, -1.138960096, 0.007644027, -0.7949788…
## $ Sepal.Width  <dbl> -0.41010139, 0.71517681, 2.06551064, 1.61539936, 0.…
## $ Petal.Width  <dbl> -1.2085003, -1.2085003, -1.2085003, -1.0796318, -1.…
## $ Species      <fct> setosa, setosa, setosa, setosa, setosa, setosa, set…

数据建模

在R里面，有很多关于机器学习的包，ranger，randomForest都有针对各自包的定义的参数及说明，很不方便，没有统一标准。
tidymodels的出现，将这些机器学习的包整合到一在接口，而不是重新开发机器学习的包。更准确的说，tidymodels提供了一组用于定义模型的函数和参数。然后根据请求的建模包对模型进行拟合。
现在我们准备根据我们的数据，建一个随机森林模型。rand_forest()函数来定义，我们的模型然后mode参数定义分类还是回归问题。mode = "classification"因为本研究是分类问题。trees可以设定节点的数。然后set_engine()很重要，可以指定我们运行的模型的引擎，可以是glm、rf等。然后用fit()函数，加载我们要拟合的数据。

# ranger
iris_ranger <- rand_forest(trees = 100, mode = "classification") %>%
  set_engine("ranger") %>%
  fit(Species ~ ., data = iris_training)

# randomForest
iris_rf <-  rand_forest(trees = 100, mode = "classification") %>%
  set_engine("randomForest") %>%
  fit(Species ~ ., data = iris_training)

总的来说，模型构建的步骤分为三部，选定模型， set_engine 然后 fit数据。流水线式操作。

预测

针对arsnip的predict（）函数，可以返回tibble数据格式。默认情况下，预测变量称为.pred_class。在示例中，test的数据是bake以后的--数据预处理后的testing data。然后我们将其合并入test数据集中。

predict(iris_ranger, iris_testing)

iris_ranger %>%
  predict(iris_testing) %>%
  bind_cols(iris_testing)
 
iris_ranger

## Observations: 60
## Variables: 5
## $ .pred_class  <fct> setosa, setosa, setosa, setosa, setosa, setosa, set…
## $ Sepal.Length <dbl> -1.597601746, -1.138960096, 0.007644027, -0.7949788…
## $ Sepal.Width  <dbl> -0.41010139, 0.71517681, 2.06551064, 1.61539936, 0.…
## $ Petal.Width  <dbl> -1.2085003, -1.2085003, -1.2085003, -1.0796318, -1.…
## $ Species      <fct> setosa, setosa, setosa, setosa, setosa, setosa, set…


iris_ranger %>%
  predict(iris_testing, type = "prob") %>%
  glimpse()
  
## Observations: 60
## Variables: 3
## $ .pred_setosa     <dbl> 0.677480159, 0.978293651, 0.783250000, 0.983972…
## $ .pred_versicolor <dbl> 0.295507937, 0.011706349, 0.150833333, 0.001111…
## $ .pred_virginica  <dbl> 0.02701190, 0.01000000, 0.06591667, 0.01491667,…

该模型预测的结果为分类变量，当然有时候会根据需要，预测每个类别的概率，所以可以通过predict函数中的 type参数来输出为概率。

模型评估

使用metrics（）函数来衡量模型的性能。它将自动选择适合给定模型类型的指标。
该函数需要一个包含实际结果（真相）和模型预测值（估计值）的tibble数据。

iris_ranger %>%
  predict(iris_testing) %>%
  bind_cols(iris_testing) %>%
  metrics(truth = Species, estimate = .pred_class)

  
## # A tibble: 2 x 3
##   .metric  .estimator .estimate
##   <chr>    <chr>          <dbl>
## 1 accuracy multiclass     0.917
## 2 kap      multiclass     0.874

iris_rf %>%
  predict(iris_testing) %>%
  bind_cols(iris_testing) %>%
  metrics(truth = Species, estimate = .pred_class)
  
## # A tibble: 2 x 3
##   .metric  .estimator .estimate
##   <chr>    <chr>          <dbl>
## 1 accuracy multiclass     0.883
## 2 kap      multiclass     0.824

绘制分类结果的图

iris_probs%>%
  gain_curve(Species, .pred_setosa:.pred_virginica) %>%
  autoplot()

iris_probs%>%
  roc_curve(Species, .pred_setosa:.pred_virginica) %>%
  autoplot()