【R】Rで機械学習 mlrの紹介

１．はじめに

Hefin Rhys氏によるRの紹介YouTubeから、Introduction to the mlr package in Rを見てみました。

mlrは機械学習のパッケージで非常に多機能。インストールにもたくさんの時間がかかります。

Youtubeのほぼ写しです。

２．データ

データは、mclustパッケージに含まれるdiabetesという糖尿病に関するデータです。糖尿病については詳しく知りませんが、通常、臨床的糖尿病、化学的糖尿病のタイプに対して、グルコース、インスリン、sspg(steady state plasma glucose)が変数としてあります。この3つの変数から、どのタイプかを予測するのがこの課題です。

library(mlr)
library(tidyverse)

# Load data
data(diabetes, package="mclust")

diabetesTib <- as_tibble(diabetes)

diabetesTib

summary(diabetesTib)

Tibbleにしたデータ

> diabetesTib
# A tibble: 145 x 4
   class  glucose insulin  sspg
   <fct>    <dbl>   <dbl> <dbl>
 1 Normal      80     356   124
 2 Normal      97     289   117
 3 Normal     105     319   143
 4 Normal      90     356   199
 5 Normal      90     323   240
 6 Normal      86     381   157
 7 Normal     100     350   221
 8 Normal      85     301   186
 9 Normal      97     379   142
10 Normal      97     296   131
# ... with 135 more rows

> summary(diabetesTib)
      class       glucose       insulin            sspg      
 Chemical:36   Min.   : 70   Min.   :  45.0   Min.   : 10.0  
 Normal  :76   1st Qu.: 90   1st Qu.: 352.0   1st Qu.:118.0  
 Overt   :33   Median : 97   Median : 403.0   Median :156.0  
               Mean   :122   Mean   : 540.8   Mean   :186.1  
               3rd Qu.:112   3rd Qu.: 558.0   3rd Qu.:221.0  
               Max.   :353   Max.   :1568.0   Max.   :748.0  

データをプロットして確認してみます。

#Plot data
ggplot(diabetesTib, aes(glucose, insulin, col = class)) +
  geom_point()

ggplot(diabetesTib, aes(sspg, insulin, col = class)) +
  geom_point()

ggplot(diabetesTib, aes(sspg, glucose, col = class)) +
  geom_point()

３．学習

まず、タスクを設定します。

#Define a tast
diabetesTask <- makeClassifTask(data = diabetesTib, target = "class")

diabetesTask

> diabetesTask
Supervised task: diabetesTib
Type: classif
Target: class
Observations: 145
Features:
   numerics     factors     ordered functionals 
          3           0           0           0 
Missings: FALSE
Has weights: FALSE
Has blocking: FALSE
Has coordinates: FALSE
Classes: 3
Chemical   Normal    Overt 
      36       76       33 
Positive class: NA

学習してみます。

#Define a learner
knn <- makeLearner("classif.knn", par.vals = list("k" = 2))

#Lsit MLR's algorithms
listLearners("classif")$class

#Training model
knnModel <- train(knn, diabetesTask)

#Testig performance (Bad way) 
knnPred <- predict(knnModel, newdata = diabetesTib)

結果のパフォーマンスを見てみます。

performance(knnPred)

> performance(knnPred)
      mmce 
0.06896552

93%程度の正解です。上にBadWayと書いてあるように、トレーニングのデータとテストのデータを同一にしているので、パフォーマンスが良いのは当然です。そこで、もう一度データをサンプリングしなおして学習してみます。

# CrossVaridation
kFold <- makeResampleDesc("RepCV", folds = 18, reps = 58)

kFoldCV <- resample(learner = knn, task = diabetesTask,
                    resampling = kFold)

calculateConfusionMatrix(kFoldCV$pred)

> calculateConfusionMatrix(kFoldCV$pred)
          predicted
true       Chemical Normal Overt -err.-
  Chemical     1686    206   196    402
  Normal        168   4240     0    168
  Overt         316      0  1598    316
  -err.-        484    206   196    886

これぐらいが妥当なのでしょうか？精度を向上させるためには、ここからチューニング等をすべきですが、この動画では紹介としてここまででした。