mlr3で「Rによる機械学習」：第3章「遅延学習 -- 最近傍法を使った分類」

はじめに

Lantz (2017)¹ ではRによる機械学習のパッケージとしてRWekaというパッケージを使っていますが，最近mlr3パッケージの勉強を始めたので，こちらでコードを書いてみようと思いました．

準備

install.packages("mlr3verse", "tidyverse", "gmodels")
library(mlr3verse)
library(tidyverse)
library(gmodels)

3-2 実例 -- k近傍法を使った乳がん検診

データの準備をします．
StrawBerryMoonさんの指摘でouterの使い方を修正しました．

url <- "https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/wdbc.data"
col_types <- paste("if", paste(rep("d", 30), collapse = ""), sep = "")
wbcd <- read_csv(url, 
                 col_names = FALSE,
                 col_types = col_types)
specs <- c("radius", "texture",
           "perimeter", "area",
           "smoothness", "compactness",
           "concavity", "cancave_points",
           "symmetry", "fractal_dimension")
postfix <- c("mean", "SE", "worst")
colnames(wbcd) <-  c("id", "diagnosis", c(outer(specs, postfix, paste, sep="_")))
colnames(wbcd)        

idを削除します．

wbcd <- wbcd[-1]

diagnosisを確認し，ラベルを書き換えます．

table(wbcd$diagnosis)
wbcd <- wbcd %>%
  mutate(
    diagnosis = factor(wbcd$diagnosis,
                       levels = c("B", "M"),
                       labels = c("Benign", "Malignant")
                       )
    )
round(prop.table(table(wbcd$diagnosis)) * 100, digits = 1)

特徴量の一部を確認します．

summary(wbcd[c("radius_mean", "area_mean", "smoothness_mean")])

数値データの正規化をします．

normalize <- function(x) {
  return((x - min(x)) / (max(x) - min(x)))
}

wbcd_n <- wbcd %>% 
  select(-diagnosis) %>%
  summarise(across(everything(), normalize))
summary(wbcd_n$area_mean)

k近傍法で分類します．

wbcd_backend_n <- bind_cols(wbcd_n, diagnosis = wbcd$diagnosis)
task <- TaskClassif$new("wbcd_task_n",
                        backend = wbcd_backend_n,
                        target = "diagnosis")
learner <- lrn("classif.kknn")
learner$param_set$values <- list(k = 21)
learner$train(task, row_ids = 1:469)
wbcd_pred_n <- learner$predict(task, row_ids = 470:569)

予測結果のクロス集計表を作成します．本の結果と異なりますが気にしないことにします．

CrossTable(x = wbcd_backend_n$diagnosis[470:569],
           y = wbcd_pred_n$response, 
           prop.chisq = FALSE)

次にzスコアで標準化します．

wbcd_z <- as_tibble(scale(wbcd[-1]))
summary(wbcd_z$area_mean)

先ほどと同様にk近傍法で分類します．

wbcd_backend_z <- bind_cols(wbcd_z, diagnosis = wbcd$diagnosis)
task <- TaskClassif$new("wbcd_task_z",
                        backend = wbcd_backend_z,
                        target = "diagnosis")
learner$train(task, row_ids = 1:469)
wbcd_pred_z <- learner$predict(task, row_ids = 470:569)

予測結果のクロス集計表を作成します．こちらも本の結果とは異なり，変化はありませんでした．

CrossTable(x = wbcd_backend_z$diagnosis[470:569],
           y = wbcd_pred_z$response,
           prop.chisq = FALSE)

1. Lantz, Brett (2017) 『Rによる機械学習』，翔泳社，長尾高弘訳 ↩