{"id":1220,"date":"2023-07-27T05:56:29","date_gmt":"2023-07-27T05:56:29","guid":{"rendered":"https:\/\/statorials.org\/de\/einsacken-in-r\/"},"modified":"2023-07-27T05:56:29","modified_gmt":"2023-07-27T05:56:29","slug":"einsacken-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/einsacken-in-r\/","title":{"rendered":"So f\u00fchren sie das bagging in r durch (schritt f\u00fcr schritt)"},"content":{"rendered":"

<\/p>\n

\n

Wenn wir einen Entscheidungsbaum<\/a> f\u00fcr einen bestimmten Datensatz erstellen, verwenden wir nur einen einzigen Trainingsdatensatz, um das Modell zu erstellen.<\/span><\/p>\n

Der Nachteil bei der Verwendung eines einzelnen Entscheidungsbaums besteht jedoch darin, dass er tendenziell unter einer hohen Varianz<\/a> leidet. Das hei\u00dft, wenn wir den Datensatz in zwei H\u00e4lften aufteilen und den Entscheidungsbaum auf beide H\u00e4lften anwenden, k\u00f6nnten die Ergebnisse sehr unterschiedlich ausfallen.<\/span><\/p>\n

Eine Methode, mit der wir die Varianz eines einzelnen Entscheidungsbaums reduzieren k\u00f6nnen, ist das sogenannte Bagging<\/a> , manchmal auch Bootstrap-Aggregation<\/em> genannt.<\/span><\/p>\n

Das Absacken funktioniert wie folgt:<\/span><\/p>\n

1.<\/strong> Nehmen Sie b<\/em> Bootstrapping-Beispiele aus dem Originaldatensatz.<\/span><\/p>\n

2.<\/strong> Erstellen Sie einen Entscheidungsbaum f\u00fcr jedes Bootstrap-Beispiel.<\/span><\/p>\n

3.<\/strong> Mitteln Sie die Vorhersagen jedes Baums, um ein endg\u00fcltiges Modell zu erhalten.<\/span><\/p>\n

Indem wir Hunderte oder sogar Tausende einzelner Entscheidungsb\u00e4ume erstellen und die durchschnittlichen Vorhersagen aller B\u00e4ume heranziehen, erhalten wir h\u00e4ufig ein angepasstes Taschenmodell, das im Vergleich zu einem einzelnen Entscheidungsbaum eine viel geringere Testfehlerrate erzeugt.<\/span><\/p>\n

Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Erstellung eines Bagged-Modells in R.<\/span><\/p>\n

Schritt 1: Laden Sie die erforderlichen Pakete<\/strong><\/span><\/h3>\n

Zuerst laden wir die notwendigen Pakete f\u00fcr dieses Beispiel:<\/span><\/p>\n

 library<\/span> (dplyr) #for data wrangling<\/span>\nlibrary<\/span> (e1071) #for calculating variable importance<\/span>\nlibrary<\/span> (caret) #for general model fitting<\/span>\nlibrary<\/span> (rpart) #for fitting decision trees<\/span>\nlibrary<\/span> (ipred) #for fitting bagged decision trees\n<\/span><\/strong><\/pre>\n
 Schritt 2: Montieren Sie das verpackte Modell<\/strong><\/span><\/h3>\n
 F\u00fcr dieses Beispiel verwenden wir einen integrierten R-Datensatz namens \u201eAir Quality\u201c<\/strong> , der Messungen der Luftqualit\u00e4t in New York City \u00fcber 153 einzelne Tage enth\u00e4lt.<\/span><\/p>\n
 #view structure of air quality dataset<\/span>\nstr(airquality)\n\n'data.frame': 153 obs. of 6 variables:\n $ Ozone: int 41 36 12 18 NA 28 23 19 8 NA ...\n $Solar.R: int 190 118 149 313 NA NA 299 99 19 194 ...\n $ Wind: num 7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...\n $ Temp: int 67 72 74 62 56 66 65 59 61 69 ...\n $Month: int 5 5 5 5 5 5 5 5 5 5 ...\n $Day: int 1 2 3 4 5 6 7 8 9 10 ...\n<\/strong><\/pre>\n
 Der folgende Code zeigt, wie man ein verpacktes Modell in R mithilfe der Funktion bagging()<\/strong> aus der ipred-<\/strong> Bibliothek einpasst.<\/span><\/p>\n
 #make this example reproducible\n<\/span>set.seed(1)\n\n#fit the bagged model\n<\/span>bag <- bagging(\n  formula = Ozone ~ .,\n  data = airquality,\n  nbagg = 150<\/span> ,   \n  coob = TRUE<\/span> ,\n  control = rpart. control<\/span> (minsplit = 2<\/span> , cp = 0<\/span> )\n)\n\n#display fitted bagged model\n<\/span>bag\n\nBagging regression trees with 150 bootstrap replications \n\nCall: bagging.data.frame(formula = Ozone ~ ., data = airquality, nbagg = 150, \n    coob = TRUE, control = rpart.control(minsplit = 2, cp = 0))\n\nOut-of-bag estimate of root mean squared error: 17.4973<\/strong><\/pre>\n
 Beachten Sie, dass wir uns f\u00fcr die Verwendung von 150<\/strong> Bootstrapping-Beispielen entschieden haben, um das verpackte Modell zu erstellen, und dass wir angegeben haben, dass coob<\/strong> TRUE<\/strong> ist, um den gesch\u00e4tzten Out-of-Bag-Fehler zu erhalten.<\/span><\/p>\n
 Wir haben auch die folgenden Spezifikationen in der Funktion rpart.control()<\/strong> verwendet:<\/span><\/p>\n