Packages
library(tidyverse)
library(tidymodels)Modelo preditivo | tidymodels decision tree rpart diabetes
Modelo machine learning de árvore de decisão usando rpart, tidymodels e dados de diabetes
Modelos
Vídeo tema para este post em Tidymodels decision tree model diabetes - rpart
O que é isto?
- Decision tree models são modelos árvore de decisão baseadas em instruções if-then/e se utilizando os dados preditores. @kuhn2013, chap 8
- Exemplo: if temperatura_corporal >= 38 and dor_no_corpo = SIM then doente = SIM else doente = NAO
- O modelo que iremos usar é o rpart também conhecido por particionamento recursivo.
Qual é o objetivo?
- Prever a probabilidade de um paciente ter diabetes com base em medidas de diagnóstico incluídas no conjunto de dados.
- Todos os pacientes são mulheres de no mínimo 21 anos de idade e descendencia de Indios Pima
- Nos dados temos variáveis preditoras (independentes) e uma variável de resposta (dependente).
- Variáveis independentes incluem o número de gestações, massa(IMC), nível de insulina, idade, espessura da pele entre outras.
De onde vem a demanda?
- Necessidade de praticar a construção de modelos machine learning usando o framework tidymodels.
Como fazer isto?
Pacotes
Para reproduzir os códigos abaixo serão necessários os pacotes tidyverse , tidymodels e janitor
Dados
O conjunto de dados é o Pima Indians Diabetes Database disponível na Universidade da California Irvine Machine Learning Repository, no kaggle e também no pacote mlbench no R.
Clique aqui para mostrar dados complementares sobre Pima Indian Diabetes
Pima US são povos indígenas, e hoje vivem principalmente em três reservas no Arizona: A Reserva do Rio Gila, A Reserva do Rio Salgado, A Reserva Ak-Chin
Os índios Pima do Arizona são estudados por mais de 30 anos e intrigam os pesquisadores porque sofrem de uma das taxas mais altas de diabetes do mundo.
Entre os índios Pima mexicanos, 5,6% dos homens e 8,5% das mulheres tinham diabetes, enquanto nos índios Pima do US 34,2% dos homens e 40,8% das mulheres tinham a doença (P < 0,01) prevalências significativamente maior nos americanos.
Cerca de metade dos Pimas do Arizona com 40 anos ou mais tem diabetes de início adulto, uma condição na qual a insulina é produzida em quantidades insuficientes para atender às necessidades do corpo.
Estão severamente acima do peso sendo os jovens estão acima da média nos EUA onde 1 a cada 4 são considerados obesos.
Outro problema no grupo e insuficiência renal decorrente do diabetes sendo que 60% dos Pimas do Arizona desenvolvem doença renal relacionada ao diabetes contra 30% da população americana.
Expectativa de vida dos Pima é muito menor do que a média nacional 72/M 78/F. Nos Pima 53/M e 63/F
Fluxo de trabalho
Código reproduzível
Data
data(PimaIndiansDiabetes, package = "mlbench")
data_pima <- PimaIndiansDiabetes %>% janitor::clean_names()
data_pima %>% funModeling::df_status()
data_pima %>% funModeling::plot_num()
data_pima_clean <-
data_pima %>%
mutate(across(c("pregnant":"mass"), ~ifelse(.x==0,NA,.x))) Explore
data_pima_clean %>%
select(glucose, insulin, mass, diabetes) %>%
GGally::ggpairs(aes(color = diabetes, alpha =0.3))Split the data
split_pima <- initial_split(data_pima_clean, strata = diabetes)
train_pima <- training(split_pima)
test_pima <- testing(split_pima)
resample_pima <- vfold_cv(train_pima, strata = diabetes, v=5)Pre processing
rec_pima <-
recipe(diabetes~., data = train_pima) %>%
step_impute_knn(all_predictors()) Model Specification
mdl_spec_rpart_pima <-
decision_tree() %>%
set_engine("rpart") %>%
set_mode("classification") %>%
set_args(cost_complexity= tune(),
tree_depth = tune(),
min_n = tune())Model Workflow
wkfl_rpart_pima <-
workflow() %>%
add_recipe(rec_pima) %>%
add_model(mdl_spec_rpart_pima)Hyperparameter tune
# grid spec ---------------------------------------------------------------
grid_pima <-
grid_regular(cost_complexity(),
tree_depth(),
min_n(),
levels = 3)
# tune grid ---------------------------------------------------------------
doParallel::registerDoParallel()
set.seed(123)
tune_grid_rpart_pima <-
tune_grid(wkfl_rpart_pima,
resamples = resample_pima,
grid = grid_pima,
metrics = metric_set(roc_auc,accuracy),
control = control_grid(save_pred = TRUE))
best_grid_rpart_pima <- tune_grid_rpart_pima %>% select_best(metric= "roc_auc")
#final wkfl
final_wkfl_rpart_pima <-
finalize_workflow(wkfl_rpart_pima, best_grid_rpart_pima)Model Evaluating
mdl_eval_rpart_pima <-
final_wkfl_rpart_pima %>%
last_fit(split_pima)
mdl_eval_rpart_pima %>%
extract_fit_engine() %>%
rpart.plot::rpart.plot(cex = 0.6,
type = 3,
roundint = FALSE)Model Fit
mdl_fit_rpart_pima <-
final_wkfl_rpart_pima %>%
fit(data_pima_clean)Make predictions
new_data_pima <-
tribble(~pregnant, ~glucose, ~pressure,~triceps,~insulin, ~mass, ~pedigree, ~age,
2,87,68,34,77,38,0.41,25)
predict(mdl_fit_rpart_pima, new_data = new_data_pima)Variable Importance
mdl_fit_rpart_pima %>%
extract_fit_engine() %>%
vip::vip()Quem é o consumidor?
- Repositório de documento criados para praticar o desenvolvimento de modelos de previsão usando tidymodels.
Qual o resultado?
Aperfeiçoamento das técnicas de construção de modelos usando tidymodels.
Criação de modelo de previsão que pode ser melhorado e aproveitado projetos futuros.
Estimular a geração de ideias, dúvidas e conhecimento acerca do problema e também na construção de modelos de previsão.