El aprendizaje automatizado —machine learning (ML)— es una rama de la inteligencia artificial cuyo objetivo es conseguir que una “máquina” aprenda a partir de la experiencia. Básicamente, los algoritmos toman un conjunto de datos, los analizan para buscar en ellos ciertas pautas o patrones y una vez identificadas, las emplean para realizar predicciones. En otras palabras se trata de predecir el comportamiento futuro a partir de comportamientos pasados observados.
Dependiendo de cómo se aborde el problema del ML, los diferentes algoritmos se pueden agrupar en:
Aprendizaje supervisado:
Cuando las entradas al sistema (la base de conocimiento) están formadas por un conjunto de datos etiquetados a priori. Es decir, sabemos la clasificación correcta de un conjunto de datos, y a partir de ellos se va a generar una función predictora.
- Algunos algoritmos supervisados
- KNN, Random Forest, SVM, ANN, Naïve Bayes, …
Aprendizaje no supervisado:
Las entradas al sistema están formadas por un conjunto de datos de los que se desconoce su clasificación correcta. En este caso, se espera que el algoritmo sea capaz de reconocer patrones para poder etiquetar y clasificar nuevos datos de entrada.
- Algunos algoritmos no supervisados
- K-means, clustering jerárquico, ANN no supervisado, …
Recoger y almacenar datos
Explorar y preparar los datos
Entrenar al clasificador con nuestros datos
Evaluar el desempeño del modelo
Mejorarlo si fuese necesario
Una vez completados estos pasos, nuestro modelo puede ser implementado en la clasificación de nuevos datos.
K-Nearest Neighbours (Los k vecinos más próximos) es un algoritmo de clasificación supervisada,basado en distancias. General aunque no necesariamente la distancia Euclídea.
Siendo \(p\) y \(q\) dos observaciones, y \(p_1, p_2,...,p_n\), y \(q_1, q_2,...,q_n\) los valores que toman esas observaciones en las \(n\) variables, la distancia euclídea entre estas dos observaciones se define como:
\[ dist(p,q) = \sqrt{(p_1-q_1)^2+(p_2-q_2)^2+...+(p_n-q_n)^2}\]
Su funcionamiento es muy simple: dado un conjunto de observaciones etiquetadas —clasificadas—, el algoritmo va a asignar una nueva observación a la clase —al grupo— más cercana.
Esa distancia se puede definir de diferentes maneras y en función de cómo se haga los resultados podrían variar.
En el ejemplo de las siguientes imágenes se trata de clasificar un tomate a alguno de los grupos ya definidos.
El principal problema que puede plantear este método es decidir sobre cuántos vecinos se calcula la distancia. Si nos fijamos en la imagen siguiente, al elegir k = 2 –dos vecinos– nuestra observación –circulo verde– se clasificaría como triángulo rojo. Sin embargo si fijamos k = 3 –tres vecinos– entonces nuestra observación será clasificada como cuadrado azul.
No hay una única regla, una formula general dice que el número de vecinos a tener en cuenta, está en función del tamaño de la muestra \(n\)
\[K = n^{\frac{1}{2}}\]
Otros métodos incluirían ensayos con diferentes números de vecinos y posteriormente evaluar el desempeño de la clasificación —curvas ROC, Cross-Validation, …— para quedarnos con aquel número con el que se obtenga un mejor desempeño.
data( iris )
Preprocesar datos
El preporcesado de datos incluye normalizar si es necesario, o reducir el número de variables si fuese necesario mediante otras técnicas multivariantes.
P.e. \(\frac{x-\overline{x}}{\sigma^2}\), es lo que hace la función scale()
NormIris <- as.data.frame( scale( iris[, 1:4 ], scale = TRUE, center = TRUE ) )
summary( NormIris )
Sepal.Length Sepal.Width Petal.Length
Min. :-1.86378 Min. :-2.4258 Min. :-1.5623
1st Qu.:-0.89767 1st Qu.:-0.5904 1st Qu.:-1.2225
Median :-0.05233 Median :-0.1315 Median : 0.3354
Mean : 0.00000 Mean : 0.0000 Mean : 0.0000
3rd Qu.: 0.67225 3rd Qu.: 0.5567 3rd Qu.: 0.7602
Max. : 2.48370 Max. : 3.0805 Max. : 1.7799
Petal.Width
Min. :-1.4422
1st Qu.:-1.1799
Median : 0.1321
Mean : 0.0000
3rd Qu.: 0.7880
Max. : 1.7064
Previsualizar datos
plot( iris[ ,1:4 ], col = iris$Species )
Generar las muestras
En una clasificación supervisada, normalmente se selecciona del total de datos, un subconjunto de aproximadamente 2/3 - 3/4 del total para entrenar al clasificador y el resto de datos se reserva para testar el desempeño del clasificador, o dicho de otra forma, para comprobar cómo de bien o mal clasifica nuestra máquina·
#generar subconjunto de 100 datos para entrenar
iris.train <- iris[ sample( c( 1:150 ), 100 ), 1:5 ]
#generar subconjunto de 50 datos para testar
iris.test <- iris[ sample( c( 1:150 ), 50 ), 1:5 ]
Entrenar/testar clasificador
La función knn del paquete class entrena y clasifica en un único paso. Como parámetros le pasamos en conjunto de datos de entrenamiento, el conjunto de datos para el test, las clases a las que pertenece cada elemento, y el número de vecinos.
# Genera modelo y hace predicción a la vez
iris.pred <- knn( train = iris.train[ , 1:4 ], test = iris.test[ , 1:4 ],
cl = iris.train[ ,5 ], k = 2 )
# predicción
print(iris.pred)
[1] virginica virginica versicolor setosa setosa
[6] virginica virginica setosa versicolor setosa
[11] virginica versicolor setosa setosa setosa
[16] virginica setosa setosa virginica versicolor
[21] setosa setosa setosa setosa setosa
[26] versicolor virginica versicolor setosa virginica
[31] setosa versicolor versicolor setosa versicolor
[36] versicolor setosa virginica virginica virginica
[41] virginica setosa setosa setosa versicolor
[46] virginica virginica versicolor setosa setosa
Levels: setosa versicolor virginica
# realidad
print(iris.test[ ,5 ])
[1] virginica virginica versicolor setosa setosa
[6] virginica virginica setosa versicolor setosa
[11] virginica versicolor setosa setosa setosa
[16] virginica setosa setosa virginica versicolor
[21] setosa setosa setosa setosa setosa
[26] versicolor virginica versicolor setosa virginica
[31] setosa versicolor versicolor setosa versicolor
[36] versicolor setosa versicolor virginica virginica
[41] virginica setosa setosa setosa versicolor
[46] virginica virginica versicolor setosa setosa
Levels: setosa versicolor virginica
Validar resultados
Podemos ver la diferencia entre lo clasificado y la realidad con table
table( Predic = iris.pred, Realidad = iris.test[,5])
Realidad
Predic setosa versicolor virginica
setosa 23 0 0
versicolor 0 12 0
virginica 0 1 14
Una vez creado un clasificador y comprobado que clasifica bien, podemos probarlo con un dato nuevo. Si encuentro un iris en el campo y mido pétalo y sépalo, puedo utilizar mi clasificador para determinar a que variedad pertenece.
miIris <- c( 5.0, 3.5, 1.3, 0.1 )
mi_predict <- knn( train = iris.train[ ,1:4 ], test = miIris,
cl = iris.train[ ,5 ], k = 2, prob = TRUE )
mi_predict
[1] setosa
attr(,"prob")
[1] 1
Levels: setosa versicolor virginica
Algoritmo de clasificación supervisada, en el que dado un conjunto de datos etiquetados, el algoritmo construye un límite o frontera óptimo, llamado hiperplano, que separa los datos según su categoría para posteriormente asignar nuevos datos al grupo con mayor probabilidad de pertenencia.
El fundamento básico es el mismo que en el caso de KNN:
Conjunto de datos etiquetados
Construcción de un modelo
Dado un nuevo dato de etiqueta desconocida
Modelo es capaz de predecir a que clase pertenece
A diferencia de KNN, el algoritmo busca los límites o fronteras entra las clases. Esa frontera en un espacio de dos dimensiones —dos variables— sería una línea, en 3 dimensiones sería un plano, y genéricamente para un espacio multidimensional —multivariante— sería un hiperplano. Este hiperplano separa el hiperespacio en diferentes regiones, donde las observaciones que caigan dentro de la misma región pertenecerán a la misma clase.
La dificultad radica en definir cuál es el hiperplano óptimo. El algoritmo busca una frontra que maximize la distancia entre ella y los elementos marginales de cada clase.
En ocasiones definir esa frontera es intuitivo, pero lo normal cuando se trabaja con más de dos variables es que la definición de ese hiperplano se vuelva muy compleja y computacionalmente muy costosa.
Para simplificar el cálculo del hiperplano se pueden realizar una serie de transformaciones sobre los datos de manera que sea menos compleja la obtención de las diferentes regiones y por tanto hacer menos costoso —computacionalmente hablando— el aprendizaje.
Para poder llevar a cabo esto se utilizan distintas funciones kernel que pueden llevar a cabo diferentes tipos de transformaciones. Estas son algunas de ellas:
Polinomial: \(K(x_i, x_j) = (x_ix_j)^n\)
Perceptrón: \(K(x_i, x_j) = \left \|x_ix_j \right \|\)
Base radial Gaussiana: \(K(xi, xj)=e^{-\frac{(xi-xj)^2}{2\sigma^2}}\)
Sigmoidal: \(K(xi, xj)=tanh(xi\cdot xj-\Theta)\)
Gráficamente la función kernel aplica una transformación sobre los datos, simplificando enormemente la definición de la frontera.
data( iris )
Preprocesar datos
Incluye normalizar si es necesario, reducir el número de variables si fuese necesario…
Generar las muestras
#generar muestras
iris.train <- iris[ sample( c( 1:150 ), 100 ), 1:5 ]
iris.test <- iris[ sample( c( 1:150 ), 30 ), 1:5 ]
Aplicar SVM
Con la función svm del paquete e1071 se puede generar generar un modelo mediante algoritmo de soporte de vectores. Como parámetros hay que proporcionar los datos en forma de fórmula de R, donde la variable respuesta son las clases frente al resto de variables predictoras Species ~ .
, hay que definir sobre que datos se está refiriendo la fórmula, si queremos normalizar los datos y el tipo de función kernel que queremos utilizar.
# Esta función sólo genera el modelo
svm_model <- svm( Species ~ . , data = iris.train, scale = TRUE,
kernel = "linear", probability = TRUE)
summary( svm_model )
Call:
svm(formula = Species ~ ., data = iris.train, kernel = "linear",
probability = TRUE, scale = TRUE)
Parameters:
SVM-Type: C-classification
SVM-Kernel: linear
cost: 1
gamma: 0.25
Number of Support Vectors: 25
( 10 2 13 )
Number of Classes: 3
Levels:
setosa versicolor virginica
Una vez entrenado el modelo, podemos hacer predicción con el conjunto de datos de iris.test
.
SVM_predict <- predict( svm_model, iris.test[,1:4],
probability = TRUE, decision.values = TRUE )
summary(SVM_predict)
setosa versicolor virginica
12 9 9
Contrastar la predicción con la realidad
# Versión simple
table( SVM_predict, Realidad = as.factor( iris.test[ ,5 ] ) )
Realidad
SVM_predict setosa versicolor virginica
setosa 12 0 0
versicolor 0 9 0
virginica 0 0 9
Igual que en el caso de KNN, podemos hacer una predicción sobre nuestro modelo con una muestra recogida en el campo, y obtendremos a qué clase ha sido asignada y con que probabilidad.
miIris <- matrix( c( 5.0, 3.5, 1.3, 0.1 ), nrow = 1, ncol = 4 )
colnames( miIris ) <- colnames( iris[ , 1:4 ] )
# predict requiere un matrix o data.frame no un vector
predict( svm_model, miIris, probability = TRUE )
1
setosa
attr(,"probabilities")
virginica setosa versicolor
1 0.009415069 0.9764111 0.0141738
Levels: setosa versicolor virginica
Es un clasificador probabilístico “ingenuo” basado en el teorema de Bayes, que asume que la probabilidad de cada variable es independiente de las demás. Básicamente, su lógica se basa en que dado un conjunto de datos de entrenamiento etiquetados, el clasificador calcula la probabilidad observada para cada clase, en función de los valores de sus variables. Cuando es usado posteriormente para predecir datos sin etiquetar, asigna estos datos a la clase con mayor probabilidad de pertenencia.
Probabilidad de un evento
\[ P(X) = \frac{Casos\ \ favorables}{Casos\ \ posibles} \]
Probabilidad de que al tirar un dado salga un 3:
\[ P(X=3) = \frac{1}{6} \]
Probabilidad condicionada
Probabilidad de que suceda un evento cuando ya ha sucedido otro:
\[ P (Y \mid X) \]
Probabilidad de que Y tome un valor determinado cuando X ya ha tomado uno.
Ejemplo: probabilidad de obtener un 10 entre dos dados cuando el primero ha salido 4
\[ P (Y=10 \mid X=4) \]
Basado en el Teorema de Bayes:
\[ P(Y \mid X) = \frac{P(X \mid Y) \, P(Y)}{P(X)} \]
En castellano
\[ P(posteriori) = \frac{P(probabilidad\ condicional) \, P(a\ priori)}{P(total)} \]
Veamos como funciona Naïve Bayes como predictor con un ejemplo:
Tenemos datos históricos sobre si se ha jugado o no al tenis con una serie de parámetros meteorológicos muy simples.
En base a esto, y empleando la lógica bayesiana determinaremos qué probabilidad tenemos de que haya partido un día nublado, frío, con alta humedad y sin viento.
La siguiente tabla, son nuestros datos históricos.
Cielo | Temperatura | Humedad | Viento | Jugar |
---|---|---|---|---|
Soleado | Calor | Alta | Si | No |
Soleado | Calor | Alta | No | Si |
Soleado | Templado | Baja | Si | Si |
Nublado | Frio | Baja | No | Si |
Nublado | Calor | Normal | No | Si |
Nublado | Frio | Alta | Si | No |
LLuvia | Templado | Alta | No | No |
Probabilidades
¿Jugaremos al tenis (\(Y\)) un día nublado, frío, con humedad alta y sin viento (\(X\))?
\[ P(Y=Si \mid X_{v1,v2,v3,v4}) = \frac{P(X \mid Y)_{vi} \cdot P(Y)}{P(total)} \]
Probabilidades
Las probabilidades “observadas” se obtienen de las frecuencias de la tabla anterior.
\[ P(SI_{jugar}) = 4/7 \ \ P(NO_{jugar}) = 3/7 \] \[ P(nublado \mid SI_{jugar}) = 2/4 \ \ P(nublado \mid NO_{jugar}) = 1/3 \] \[ P(frio \mid SI_{jugar}) = 1/4 \ \ P(frio \mid NO_{jugar}) = 1/3 \] \[ P(Alta_{humedad} \mid SI_{jugar}) = 1/4 \ \ P(Alta_{humedad} \mid NO_{jugar}) = 3/3 \] \[ P(Si_{viento} \mid SI_{jugar}) = 1/4 \ \ P(Si_{Viento} \mid NO_{jugar}) = 2/3 \]
La hora de la verdad, ¿Jugaremos?
\[ P(Y=Si \mid X_{v1,v2,v3,v4}) = \frac{2/4 \cdot 1/4 \cdot 1/4 \cdot 1/4 \cdot 4/7 =0.024}{0.024+0.21}=0.103 \] \[ P(Y=No \mid X_{v1,v2,v3,v4}) = \frac{1/3 \cdot 1/3 \cdot 3/3 \cdot 2/3 \cdot 3/7 = 0.21}{0.024+0.21}=0.897 \]
iris.NB <- naiveBayes( Species ~ ., data = iris.train )
iris.NB
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
setosa versicolor virginica
0.29 0.35 0.36
Conditional probabilities:
Sepal.Length
Y [,1] [,2]
setosa 5.086207 0.3215189
versicolor 5.917143 0.3776753
virginica 6.616667 0.6855655
Sepal.Width
Y [,1] [,2]
setosa 3.455172 0.4230723
versicolor 2.757143 0.2983146
virginica 2.952778 0.3220347
Petal.Length
Y [,1] [,2]
setosa 1.520690 0.1372675
versicolor 4.291429 0.3760252
virginica 5.608333 0.5862106
Petal.Width
Y [,1] [,2]
setosa 0.2827586 0.1197288
versicolor 1.3171429 0.1790263
virginica 1.9916667 0.2892107
predNB <- predict( iris.NB, iris.test[,1:4] )
predNB
[1] setosa versicolor setosa setosa virginica
[6] virginica versicolor versicolor setosa versicolor
[11] setosa virginica virginica setosa setosa
[16] setosa virginica versicolor setosa virginica
[21] setosa versicolor setosa virginica versicolor
[26] versicolor setosa virginica virginica versicolor
Levels: setosa versicolor virginica
Contrastar la predicción
table( Predicción = predNB, Realidad = iris.test[,5] )
Realidad
Predicción setosa versicolor virginica
setosa 12 0 0
versicolor 0 9 0
virginica 0 0 9
Y con mi muestra encontrada en el campo
miIris<-matrix(c(5.0, 3.5, 1.3, 0.1), nrow=1, ncol=4)
colnames(miIris)<-colnames(iris[,1:4])
# En este caso predict requiere un matrix o data.frame no un vector
pdr <- predict(iris.NB, miIris, probability = TRUE )
summary(pdr)
setosa versicolor virginica
1 0 0
Lo que nos devuelve la predicción es la probabilidad de pertenencia a cada clase. En este caso es una probabilidad del 100% de pertenecer a la clase setosa, y por tanto 0% al resto de clases.
Paradigma de aprendizaje automatizado inspirado en sistemas nerviosos biológicos, constituidos por una serie de nodos (neuronas) y una serie de conexiones entre los nodos (sinapsis).
La topología básica consta de:
Cada nodo de entrada tiene asociado un peso \(W_i\) y en cada nodo se aplica una función de activación (opcional) y una de propagación con la suma de las entradas ponderadas por sus pesos.
A pesar del nombre, su parecido con los sistemas biológicos se queda en la estructura física, es decir una serie de nodos interconectados formando una red con entradas y salidas.
Pero aunque parezca algo complejo, una especie de caja negra en la que le damos información y esperamos a que “eso” obre el milagro y nos de un resultado, el fundamento es bastante simple:
Dados una serie de parámetros de entrada, las redes neuronales buscan la forma de combinarlos para obtener el resultado esperado.
Aunque hay muchas topologías, la más común es la conocida como perceptrón
Componentes
\(N\) entradas, \(x_1,..., x_n\)
Cada entrada con un peso \(x\), \(x_1,...,x_n\)
Un nodo de entrada extra llamada bias (intercepto)
Suma de las entradas ponderada por sus pesos:
\[y = \sum{x_0w_0,...,x_nw_n}\]
\(f_a(x) = 1\) si \(y>0\), \(f_a(x) = -1\) si \(x\leq0\)
Veamos su fundamento con un ejemplo:
Supongamos que tenemos la nota de dos exámenes parciales y la nota final. No sabemos como pondera el profesor las notas de los exámenes parciales para obtener la final. La red neuronal irá probando distintas combinaciones hasta que de con la correcta.
Nuestros parámetros de entrada son las dos notas y la salida será la nota final esperada.
Esto podría complicarse. Imaginemos ahora que tenemos las notas de dos exámenes más la de una práctica. Hemos suspendido un examen y sin embargo hemos aprobado la asignatura. En este caso ya no es tan trivial ponderar el peso de cada examen.
Pero podría ser peor. La retorcida mente de este profesor, podría tener en cuenta, la asistencia, la participación, la actitud con los compañeros, además de las notas de teoría y prácticas. Además a cada uno de estos parámetros le podría dar un peso diferente, incluso dar pesos diferentes a combinaciones de parámetros. Es más, podría ser que no todas las combinaciones fuesen lineales, algunas podrían ser cuadráticas, logarítmicas, …
Pero afortunadamente para nosotros, no tenemos que preocuparnos de todo esto, lo único que tendríamos que hacer básicamente, es decir cuáles son nuestras notas de entrada y nuestra nota final. La red se encarga de generar el modelo y de esta forma la próxima vez que sepamos las notas iniciales, no tendremos que esperar a saber la nota final, nuestro modelo nos lo va a predecir.
Preprocesar datos
Incluye normalizar si es necesario, reducir el número de variables si fuese necesario, …
Generar las muestras
Este paso es igual lo que hemos visto en los ejemplos anteriores
data(iris)
#generar muestras
iris.train <- iris[ sample( c( 1:150 ), 100 ), 1:5 ]
iris.test <- iris[ sample( c( 1:150 ), 50 ), 1:5 ]
Binarizar las categorias
En este caso hay que generar nuevas columnas de VERDADERO/FALSO para pertenencia de cada observación a cada clase —especie—.
iris.train <- cbind( iris.train, iris.train$Species == "setosa" )
iris.train <- cbind( iris.train, iris.train$Species == "versicolor" )
iris.train <- cbind( iris.train, iris.train$Species == "virginica" )
names(iris.train)[6]<-"setosa"
names(iris.train)[7]<-"versicolor"
names(iris.train)[8]<-"virginica"
head(iris.train)
Sepal.Length Sepal.Width Petal.Length Petal.Width
94 5.0 2.3 3.3 1.0
107 4.9 2.5 4.5 1.7
28 5.2 3.5 1.5 0.2
127 6.2 2.8 4.8 1.8
29 5.2 3.4 1.4 0.2
56 5.7 2.8 4.5 1.3
Species setosa versicolor virginica
94 versicolor FALSE TRUE FALSE
107 virginica FALSE FALSE TRUE
28 setosa TRUE FALSE FALSE
127 virginica FALSE FALSE TRUE
29 setosa TRUE FALSE FALSE
56 versicolor FALSE TRUE FALSE
Entrenar la red neuronal
La función neuralnet del paquete del mismo nombre, requiere la introducción de parámetros de forma similar a como se hizo en SVM, mediante una foŕmula, donde las variables dependientes –setosa, versicolor, virgínica– lo son en función de las predictoras. Podemos definir también la topología de la red, es decir cuántas capas y cuántos nodos por capa.
Una vez entrenada nuestra red, podemos visualizar su topología, los pesos ponderados asignados a cada nodo. Con la función print podemos obtener bastante información acerca del modelo.
iris.nnt <- neuralnet( setosa + versicolor + virginica ~ Sepal.Length +
Sepal.Width +
Petal.Length +
Petal.Width,
data = iris.train, hidden = c( 3, 2 ) )
# print(iris.nnt) #Ejecutar para ver los resultados
plot( iris.nnt, col.intercept = "blue" , rep="best")
Predicción
Con los datos que nos reservamos para el test, vamos a hacer la predicción, en este caso en lugar de la función predict usada anteriormente, empleamos compute
pred.nn <- compute( iris.nnt, iris.test[ 1:4 ] )
# print(pred.nn) # ejecutar para ver los resultados
El resultado de la predicción no es tan “amigable” como en los otros algoritmos vistos, pero con un poco de código lo podemos extraer y dejar más claro.
resultado <- 0
for ( i in 1:dim( pred.nn$net.result )[1] ){
resultado[i] <- which.max( pred.nn$net.result[ i, ] )
}
resultado[ resultado == 1 ] <- "setosa"
resultado[ resultado == 2 ] <- "versicolor"
resultado[ resultado == 3 ] <- "virginica"
table(Predicción = resultado, Realidad = iris.test[,5])
Realidad
Predicción setosa versicolor virginica
setosa 13 0 0
versicolor 0 18 1
virginica 0 0 18
Vamos a estudiar algunos de los mecanismos existentes de validación de la clasificación realizada por nuestro modelo predictivo. para ello generaremos un modelo nuevo con datos de pacientes que tienen un tumor, cuyo diagnóstico está etiquetado como benigno o maligno.
La primera columna contiene un identificador del sujeto, la segunda corresponde al diagnóstico y el resto son variables medidas al tumor.
wdbc <- read.csv( "http://gauss.inf.um.es/datos/wdbc.csv" )
#eliminar columna de ID.
wdbc <- wdbc[ -1 ]
# Normalizar los datos
wdbc_N <- as.data.frame( scale( wdbc[2:31], scale = TRUE, center = TRUE ) )
wdbc_N$diagnosis <- wdbc$diagnosis
Crear datos de entrenamiento y datos de test
# Datos
w_train <- wdbc_N[ sample( c( 1 : nrow( wdbc_N ) ), 425 ), ]
w_test <- wdbc_N[ sample( c( 1 : nrow( wdbc_N ) ), 140 ), ]
# Etiquetas
w_train_label <- w_train$diagnosis
w_test_label <- w_test$diagnosis
Entrenar el modelo
w_predict<- knn( w_train[ , c( 1:( ncol(w_train) -1 ) ) ],
w_test[ , c( 1:( ncol(w_test) -1 ) ) ],
cl = w_train_label, k = 21, prob = TRUE )
w_predict
[1] M B B M B B B M M B M B B B B B M B M M M B B M B B B
[28] B B B B M M B M M M B B B B B B B B M B M M B M B B M
[55] B B B B M M B M B B B B B B B B M M B B M B M B B B B
[82] M B B B M B B B B M B B B B B B B M M M M M B B B B B
[109] B M M B B B M B B B M M M M B M M M M M M B M B B B M
[136] B M M B B
attr(,"prob")
[1] 1.0000000 0.9523810 1.0000000 0.9047619 1.0000000
[6] 0.8095238 0.6190476 0.7142857 0.9523810 1.0000000
[11] 0.9523810 1.0000000 0.7142857 1.0000000 0.7619048
[16] 1.0000000 0.9523810 1.0000000 1.0000000 1.0000000
[21] 0.7619048 1.0000000 1.0000000 1.0000000 0.7619048
[26] 1.0000000 0.9523810 1.0000000 1.0000000 0.7142857
[31] 0.6190476 1.0000000 1.0000000 1.0000000 0.8571429
[36] 1.0000000 0.8571429 1.0000000 0.6666667 1.0000000
[41] 1.0000000 0.7619048 0.7619048 1.0000000 1.0000000
[46] 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000
[51] 1.0000000 1.0000000 0.9523810 1.0000000 1.0000000
[56] 0.9047619 1.0000000 1.0000000 0.9047619 0.8571429
[61] 1.0000000 1.0000000 1.0000000 0.9047619 1.0000000
[66] 1.0000000 0.5238095 1.0000000 1.0000000 1.0000000
[71] 0.7619048 0.5238095 0.9523810 1.0000000 1.0000000
[76] 0.9523810 1.0000000 1.0000000 1.0000000 1.0000000
[81] 0.8571429 1.0000000 1.0000000 1.0000000 1.0000000
[86] 0.8571429 1.0000000 0.9523810 1.0000000 1.0000000
[91] 1.0000000 0.8571429 1.0000000 0.7142857 0.8571429
[96] 1.0000000 1.0000000 0.9523810 1.0000000 1.0000000
[101] 0.9047619 1.0000000 0.6666667 1.0000000 0.7619048
[106] 1.0000000 1.0000000 0.7619048 1.0000000 0.6190476
[111] 0.9523810 0.5238095 1.0000000 1.0000000 0.5714286
[116] 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000
[121] 0.8571429 1.0000000 0.9523810 0.8571429 1.0000000
[126] 1.0000000 1.0000000 0.8095238 0.8571429 0.9523810
[131] 1.0000000 0.8571429 1.0000000 1.0000000 0.6190476
[136] 1.0000000 1.0000000 0.8095238 1.0000000 1.0000000
Levels: B M
Lo más sencillo, una tabla de contingencia con table
table( Predicción = w_predict, Observación = w_test_label )
Observación
Predicción B M
B 80 8
M 0 52
Una tabla de contingencia un poco más sofisticada con CrossTable
Calcula una tabla similar a la anterior pero más completa. Aporta proporciones de aciertos por filas, columnas y totales.
CrossTable(x = w_predict, y = w_test_label, dnn = c( "Predicción", "Observación" )
, prop.chisq = FALSE )
Cell Contents
|-------------------------|
| N |
| N / Row Total |
| N / Col Total |
| N / Table Total |
|-------------------------|
Total Observations in Table: 140
| Observación
Predicción | B | M | Row Total |
-------------|-----------|-----------|-----------|
B | 80 | 8 | 88 |
| 0.909 | 0.091 | 0.629 |
| 1.000 | 0.133 | |
| 0.571 | 0.057 | |
-------------|-----------|-----------|-----------|
M | 0 | 52 | 52 |
| 0.000 | 1.000 | 0.371 |
| 0.000 | 0.867 | |
| 0.000 | 0.371 | |
-------------|-----------|-----------|-----------|
Column Total | 80 | 60 | 140 |
| 0.571 | 0.429 | |
-------------|-----------|-----------|-----------|
Como vimos en el módulo anterior, es una representación gráfica de la \(sensibilidad\) frente a \(1 - especificidad\) para un clasificador binario, es decir sólo hay dos respuestas, positivo y negativo.
prob <- attr(w_predict, "prob")
labels <- factor(w_test_label, labels = c(1,0))
rocobj <- pROC::roc( labels, prob, auc = TRUE, ci = TRUE )
print( rocobj )
Call:
roc.default(response = labels, predictor = prob, auc = TRUE, ci = TRUE)
Data: prob in 80 controls (labels 1) > 60 cases (labels 0).
Area under the curve: 0.6527
95% CI: 0.5694-0.736 (DeLong)
pROC::plot.roc( rocobj, legacy.axes = TRUE, print.thres = "best",
print.auc = TRUE, auc.polygon = FALSE, max.auc.polygon = FALSE,
auc.polygon.col="gainsboro", col = 2, grid = TRUE )
Como se puede observar el la curva, el clasificador no parece ser muy bueno, ya que su AUC no es muy alta (0.6527083)
Vamos a repetir aumentando el número de vecinos a k=100.
w_predict<- knn( w_train[ , c( 1:( ncol(w_train) -1 ) ) ],
w_test[ , c( 1:( ncol(w_test) -1 ) ) ],
cl = w_train_label, k = 100, prob = TRUE )
prob <- attr(w_predict, "prob")
labels <- factor(w_test_label, labels = c(0,1))
rocobj <- pROC::roc( labels, prob, auc = TRUE, ci = TRUE )
print( rocobj )
Call:
roc.default(response = labels, predictor = prob, auc = TRUE, ci = TRUE)
Data: prob in 80 controls (labels 0) > 60 cases (labels 1).
Area under the curve: 0.7331
95% CI: 0.641-0.8252 (DeLong)
pROC::plot.roc( rocobj, legacy.axes = TRUE, print.thres = "best", print.auc = TRUE,
auc.polygon = FALSE, max.auc.polygon = FALSE, auc.polygon.col="gainsboro",
col = 2, grid = TRUE )
Ahora el AUC a aumentado a 0.733125 por lo que al aumentar el número de vecinos, ha mejorado –en este caso– la eficiencia del predictor.
Como se ha comentado anteriormente, una vez que hemos generado el modelo, interesa conocer la precisión de este modelo en la predicción de los resultados. Dicho de otra manera, interesa estimar el error cometido en la predicción.
La validación cruzada aglutina una serie de técnicas, utilizadas para validar la precisión de un modelo predictivo. Para ello, comprueba la bondad predictiva del modelo sobre un conjunto de datos de prueba independientes de los datos empleados para generar el modelo.
Básicamente la secuencia sería:
Hay distintas técnicas de validación cruzada para la estimación del error, aqui vamos a ver alguna de ellas.
Para todas las técnicas que vamos a ver, utilizaremos el paquete caret
, uno de los más completos paquetes de machine learning que hay en R.
En primer lugar cargaremos y prepararemos los datos, esto nos servirá para todos los métodos que vamos a ver. A continuación iremos haciendo las validaciones con las diferentes técnicas
La función CreateDataPartition
nos permite crear un grupo de entrenamiento de forma similar a como lo hacíamos con sample
.
set.seed(111)
train <- createDataPartition( iris$Species, p = 0.7, list = FALSE )
train.iris <- iris[ train, ]
test.iris <- iris[ -train, ]
En este caso la cuantificación del error se hace mediante la diferencia cuadrática media entre los valores observados y los predichos.
#Crear el modelo
model <- naiveBayes(Species ~ . , data = train.iris )
predictions <- predict( model, test.iris )
predictions <- as.numeric( predictions )
test <- as.numeric( as.factor( test.iris$Species ) )
data.frame( R2 = R2( predictions, test ),
RMSE = RMSE(predictions, test ),
MAE = MAE(predictions, test ) )
R2 RMSE MAE
1 0.9363057 0.2108185 0.04444444
- \(R^2\)
- Es la correlación al cuadrado entre observaciones y predicciones. Cuanto más alto mejor será el modelo
- RMSE —Root mean squared error—
- Error cuadrático medio, mide el error medio cometido por el modelo al predecir la clasificación de una observación. Cuanto más bajo sea, mejor será el modelo
- MAE —Mean absolute Error—
- Error absoluto medio, es similar al RMSE, pero menos sensible a valores atípicos. Es la diferencia absoluta media entre observaciones y predicciones. Cuanto más bajo, mejor será el modelo
La validación cruzada dejando una observación fuera, consiste en dejar fuera del modelo una observación y contruir el modelo con el resto, a continuación comprobar el modelo con esa observación y anotar el error. Este proceso se repetirá con todas las observaciones. Finalmente se obtiene el error total cometido calculado como la media de los errores obtenidos para cada observación que se ha testado.
set.seed(111)
train <- trainControl(method = "LOOCV")
model <- train(Species ~ ., data=iris, method = "naive_bayes", trControl = train )
print(model)
Naive Bayes
150 samples
4 predictor
3 classes: 'setosa', 'versicolor', 'virginica'
No pre-processing
Resampling: Leave-One-Out Cross-Validation
Summary of sample sizes: 149, 149, 149, 149, 149, 149, ...
Resampling results across tuning parameters:
usekernel Accuracy Kappa
FALSE 0.9533333 0.93
TRUE 0.9600000 0.94
Tuning parameter 'laplace' was held constant at a value
of 0
Tuning parameter 'adjust' was held constant at
a value of 1
Accuracy was used to select the optimal model using
the largest value.
The final values used for the model were laplace =
0, usekernel = TRUE and adjust = 1.
La ventaja del método es que utiliza todos los datos para entrenar y para testar el modelo.
La desventaja es que precisamente por utilizar todos los datos, tiene un alto coste computacional, especialmente cuando tenemos un conjunto de datos muy grande.
Es la validación cruzada de k-iteraciones o de k-iteraciones repetidas.
En el primer caso, el conjunto de datos se divide en \(K\) subjuntos, uno de ellos se utiliza como datos de prueba y el resto \(K-1\) los datos de entrenamiento. La validación cruzada se realizará durante \(K\) iteraciones. En cada iteración un subconjunto será el conjunto de prueba y el resto de entrenamiento.
La idea es similar al método LOOCV, pero en lugar de hacerlo a nivel de observación, se hace a nivel de conjunto de observaciones.
El método de k-fold repetido es idéntico al método k-fold, sólo que en este caso, una vez terminadas las k-iteraciones, se vuelve a particionar en subconjuntos y se repite el proceso anterior. Estos ciclos se repetirán el número de veces que se indique.
K-fold
set.seed(111)
train <- trainControl(method = "cv", number = 10 )
model <- train(Species ~ ., data=iris, method = "naive_bayes", trControl = train )
print(model)
Naive Bayes
150 samples
4 predictor
3 classes: 'setosa', 'versicolor', 'virginica'
No pre-processing
Resampling: Cross-Validated (10 fold)
Summary of sample sizes: 135, 135, 135, 135, 135, 135, ...
Resampling results across tuning parameters:
usekernel Accuracy Kappa
FALSE 0.9533333 0.93
TRUE 0.9533333 0.93
Tuning parameter 'laplace' was held constant at a value
of 0
Tuning parameter 'adjust' was held constant at
a value of 1
Accuracy was used to select the optimal model using
the largest value.
The final values used for the model were laplace =
0, usekernel = FALSE and adjust = 1.
repeat K-fold
set.seed(111)
train <- trainControl(method = "repeatedcv", number = 10, repeats = 3 )
model <- train(Species ~ ., data=iris, method = "naive_bayes", trControl = train )
print(model)
Naive Bayes
150 samples
4 predictor
3 classes: 'setosa', 'versicolor', 'virginica'
No pre-processing
Resampling: Cross-Validated (10 fold, repeated 3 times)
Summary of sample sizes: 135, 135, 135, 135, 135, 135, ...
Resampling results across tuning parameters:
usekernel Accuracy Kappa
FALSE 0.9533333 0.9300000
TRUE 0.9555556 0.9333333
Tuning parameter 'laplace' was held constant at a value
of 0
Tuning parameter 'adjust' was held constant at
a value of 1
Accuracy was used to select the optimal model using
the largest value.
The final values used for the model were laplace =
0, usekernel = TRUE and adjust = 1.
Ha llegado la hora de poner en práctica parte de lo aprendido en este módulo, para ello vamos ha crear un clasificador con un conjunto de datos biométricos de estudiantes de la Universidad de Murcia, y lo utilizaremos para intentar predecir el sexo de un individuo basado en sus datos biométricos, así que …manos a la obra.
Un tutorial online en DataCamp (visitar).
Machine Learning Essentials de Alboukadel Kassambara es un buen libro práctico para iniciarse (visitar).
Finalmente un enlace a un sitio donde aconsejan varios libros de ML en R (visitar)