{"id":1222,"date":"2023-07-27T05:56:29","date_gmt":"2023-07-27T05:56:29","guid":{"rendered":"https:\/\/statorials.org\/it\/insaccamento-in-r\/"},"modified":"2023-07-27T05:56:29","modified_gmt":"2023-07-27T05:56:29","slug":"insaccamento-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/it\/insaccamento-in-r\/","title":{"rendered":"Come eseguire l'insaccamento in r (passo dopo passo)"},"content":{"rendered":"

<\/p>\n

\n

Quando creiamo un albero decisionale<\/a> per un determinato set di dati, utilizziamo solo un singolo set di dati di addestramento per costruire il modello.<\/span><\/p>\n

Tuttavia, lo svantaggio di utilizzare un unico albero decisionale \u00e8 che tende a soffrire di un\u2019elevata varianza<\/a> . Cio\u00e8, se dividiamo il set di dati in due met\u00e0 e applichiamo l\u2019albero decisionale a entrambe le met\u00e0, i risultati potrebbero essere molto diversi.<\/span><\/p>\n

Un metodo che possiamo utilizzare per ridurre la varianza di un singolo albero decisionale \u00e8 noto come bagging<\/a> , a volte chiamato aggregazione bootstrap<\/em> .<\/span><\/p>\n

L’insaccamento funziona come segue:<\/span><\/p>\n

1.<\/strong> Prendi b<\/em> campioni bootstrap dal set di dati originale.<\/span><\/p>\n

2.<\/strong> Creare un albero decisionale per ciascun campione di bootstrap.<\/span><\/p>\n

3.<\/strong> Media delle previsioni di ciascun albero per ottenere un modello finale.<\/span><\/p>\n

Costruendo centinaia o addirittura migliaia di alberi decisionali individuali e prendendo le previsioni medie di tutti gli alberi, spesso ci ritroviamo con un modello a sacco che produce un tasso di errore di test molto pi\u00f9 basso rispetto a un singolo albero decisionale.<\/span><\/p>\n

Questo tutorial fornisce un esempio passo passo di come creare un modello con bag in R.<\/span><\/p>\n

Passaggio 1: caricare i pacchetti necessari<\/strong><\/span><\/h3>\n

Innanzitutto, caricheremo i pacchetti necessari per questo esempio:<\/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
 Passaggio 2: montare il modello con busta<\/strong><\/span><\/h3>\n
 Per questo esempio, utilizzeremo un set di dati R integrato chiamato Air Quality<\/strong> che contiene misurazioni della qualit\u00e0 dell’aria a New York City nell’arco di 153 giorni individuali.<\/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
 Il codice seguente mostra come adattare un modello con bag in R utilizzando la funzione bagging()<\/strong> dalla libreria ipred<\/strong> .<\/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
 Tieni presente che abbiamo scelto di utilizzare 150<\/strong> campioni sottoposti a bootstrap per creare il modello in bag e abbiamo specificato che coob<\/strong> \u00e8 TRUE<\/strong> per ottenere l’errore stimato di out-of-bag.<\/span><\/p>\n
 Abbiamo utilizzato anche le seguenti specifiche nella funzione rpart.control()<\/strong> :<\/span><\/p>\n