tidymodels で分類モデルをハイパーパラメータ・チューニングして学習して予測して評価する

なるべくデフォルトに丸投げして、統一的な手法で解析してみる。
ames データセットの Central_Air の予測を考える。

事前準備

Calibration Plot に必要なパッケージをインストールする。

remotes::install_github("tidymodels/probably")

パッケージを読み込む（必要ならインストールしておく）。

library(tidyverse)
library(tidymodels)

解析用の関数を準備する。

cv_fit_pred <- function(
        recipe, spec, df_train, df_test, df_cv = NULL, grid = 10
) {
    
    if(is.null(df_cv)) {
        
        params_grid = NULL
        
        # ワークフローを設定する
        wf <- 
            workflow() |> 
            workflows::add_recipe(recipe = recipe) |> 
            workflows::add_model(spec = spec)
        
    } else {
        
        # 交差検証用のワークフローを設定する
        cv_wf <- 
            workflow() |> 
            workflows::add_recipe(recipe = recipe) |> 
            workflows::add_model(spec = spec)
        
        # 最適なハイパーパラメータを探索する
        params_grid <- 
            cv_wf |> 
            tune::tune_grid(
                resamples = df_cv,
                grid = grid,
                control = tune::control_grid(save_pred = TRUE)
            )
        
        # 最適なハイパーパラメータによるワークフローを設定する
        wf <- 
            cv_wf |> 
            tune::finalize_workflow(
                parameters = params_grid |> tune::select_best()
            )
        
    }
    
    # ワークフローを学習する
    wf_fit <- 
        wf |> 
        parsnip::fit(data = df_train)
    
    # 学習したワークフローで予測する
    pred <- 
        wf_fit |> 
        tune::augment(new_data = df_test)
    
    return(
        list(
            params_grid = params_grid, 
            wf_fit = wf_fit, 
            pred = pred
        )
    )
    
}

parsnip::parsnip_addin() を使って、ハイパーパラメータ・チューニングを前提としてモデルを指定する。

# 決定木
rpart_spec <- 
    parsnip::decision_tree() |> 
    parsnip::set_args(
        tree_depth = tune(), min_n = tune(), cost_complexity = tune()
    ) |> 
    parsnip::set_engine('rpart') |> 
    parsnip::set_mode('classification')

# ランダム・フォレスト
rf_spec <-
    parsnip::rand_forest() |> 
    parsnip::set_args(mtry = tune(), min_n = tune(), trees = 5000) |> 
    parsnip::set_engine(
        'ranger',
        num.threads = parallel::detectCores()
    ) |> 
    parsnip::set_mode('classification')

# ラッソ回帰
lasso_spec <-
    logistic_reg() |> 
    parsnip::set_args(penalty = tune(), mixuture = 1) |> 
    parsnip::set_engine('glmnet') |> 
    parsnip::set_mode('classification')

# ロジスティック回帰
lr_spec <-
    parsnip::logistic_reg() |> 
    parsnip::set_engine('glm') |> 
    parsnip::set_mode('classification')

データを準備する。

data("ames")

ames_split <- 
    ames |> 
    rsample::initial_split(strata = Central_Air)

ames_train <- 
    ames_split |> 
    rsample::training()

ames_test <- 
    ames_split |> 
    rsample::testing()

ames_cv <- 
    ames_train |> 
    rsample::vfold_cv(v = 10, strata = Central_Air)

ハイパーパラメータ・チューニング・学習・予測

決定木で学習する。

ames_rec <- 
    ames_train |> 
    recipes::recipe(Central_Air ~ .) |> 
    recipes::step_zv(all_predictors()) |> 
    prep()

rpart_result <- 
    ames_rec |> 
    cv_fit_pred(rpart_spec, ames_train, ames_test, ames_cv)

# ハイパーパラメータ・チューニングをチェック
rpart_result$params_grid |> 
    tune::show_best()

# 決定木の図示
rpart_result$wf |> 
    workflows::extract_fit_engine() |> 
    rpart.plot::rpart.plot()

# 推測結果
rpart_result$pred

ランダム・フォレストで学習する。

ames_rec <- 
    ames_train |> 
    recipes::recipe(Central_Air ~ .) |> 
    recipes::step_zv(all_predictors()) |> 
    prep()

rf_result <- 
    ames_rec |> 
    cv_fit_pred(rf_spec, ames_train, ames_test, ames_cv)

# ハイパーパラメータ・チューニングをチェック
rf_result$params_grid |> 
    tune::show_best()

# 推測結果
rf_result$pred

ラッソ回帰で学習する。

# `step_dummy` でダミー変数化する
ames_rec <- 
    ames_train |> 
    recipes::recipe(Central_Air ~ .) |> 
    recipes::step_ordinalscore(all_ordered_predictors()) |> 
    recipes::step_dummy(all_unordered_predictors()) |> 
    recipes::step_zv(all_predictors()) |> 
    recipes::step_normalize(all_numeric_predictors()) |> 
    prep()

lasso_result <- 
    ames_rec |> 
    cv_fit_pred(lasso_spec, ames_train, ames_test, ames_cv)

# ハイパーパラメータ・チューニングをチェック
lasso_result$params_grid |> 
    tune::show_best()

# 係数をチェック
lasso_result$wf_fit |> 
    workflows::extract_fit_parsnip() |> 
    broom::tidy()

# 推測結果
lasso_result$pred

ロジスティック回帰で学習する（ハイパーパラメータ・チューニングなし）。

# `step_other` で頻度が少ない項目（5%未満）に対処する
ames_rec <- 
    ames_train |> 
    recipes::recipe(Central_Air ~ .) |> 
    recipes::step_other(all_nominal_predictors()) |> 
    recipes::step_zv(all_predictors()) |> 
    prep()

lr_result <- 
    ames_rec |> 
    cv_fit_pred(lr_spec, ames_train, ames_test)

# 係数をチェック
lr_result$wf_fit |> 
    workflows::extract_fit_engine() |> 
    broom::tidy()

# 推測結果
lr_result$pred

評価

解析用の関数を準備する。

plot_evaluation <- function(df, truth, estimate) {
    
    # ROC Curve を作成する
    p_roc <-
        df |> 
        dplyr::rename(truth = {{ truth }}) |>
        yardstick::roc_curve(truth = truth, {{ estimate }}) |>
        ggplot2::ggplot(aes(x = 1 - specificity, y = sensitivity)) +
        geom_path() +
        geom_abline(linetype = 2) +
        coord_obs_pred() +
        cowplot::theme_cowplot() +
        cowplot::background_grid()
    
    # PR Curve を作成する
    p_pr <-
        df |>
        dplyr::rename(truth = {{ truth }}) |>
        yardstick::pr_curve(truth = truth, {{ estimate }}) |>
        ggplot2::ggplot(aes(x = recall, y = precision)) +
        geom_path() +
        geom_abline(slope = -1, intercept = 1, linetype = 2) +
        coord_obs_pred() +
        cowplot::theme_cowplot() +
        cowplot::background_grid()
    
    # Calibration Plot を作成する
    p_calibration <-
        df |>
        dplyr::rename(truth = {{ truth }}) |>
        probably::cal_plot_breaks(truth = truth, {{ estimate }}) +
        coord_obs_pred() +
        cowplot::theme_cowplot() +
        cowplot::background_grid()
    
    return(
        list(
            roc_curve = p_roc, 
            pr_curve = p_pr, 
            calibration_plot = p_calibration
        )
    )
    
}

ROC Curve, PR Curve, Calibration Plot を図示する。

p <- 
    rf_result$pred |> 
    plot_evaluation(truth = "Central_Air", estimate = ".pred_N")

p

評価指標を調べる。

# accuracy 等を確認する
rf_result$pred |> 
    yardstick::metrics(truth = Central_Air, estimate = .pred_class)

# 混同行列を確認する
rf_result$pred |> 
    yardstick::conf_mat(truth = Central_Air, estimate = .pred_class)