{"id":1222,"date":"2023-07-27T05:56:29","date_gmt":"2023-07-27T05:56:29","guid":{"rendered":"https:\/\/statorials.org\/nl\/inpakken-in-r\/"},"modified":"2023-07-27T05:56:29","modified_gmt":"2023-07-27T05:56:29","slug":"inpakken-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/inpakken-in-r\/","title":{"rendered":"Opzakken uitvoeren in r (stap voor stap)"},"content":{"rendered":"

<\/p>\n

\n

Wanneer we een beslissingsboom<\/a> maken voor een bepaalde dataset, gebruiken we slechts \u00e9\u00e9n trainingsdataset om het model te bouwen.<\/span><\/p>\n

Het nadeel van het gebruik van \u00e9\u00e9n enkele beslissingsboom is echter dat deze vaak te kampen heeft met een hoge variantie<\/a> . Dat wil zeggen: als we de dataset in twee helften splitsen en de beslissingsboom op beide helften toepassen, kunnen de resultaten heel verschillend zijn.<\/span><\/p>\n

E\u00e9n methode die we kunnen gebruiken om de variantie van een enkele beslissingsboom te verkleinen, staat bekend als ‚bagging‘<\/a> , ook wel bootstrap-aggregatie<\/em> genoemd.<\/span><\/p>\n

Het opzakken werkt als volgt:<\/span><\/p>\n

1.<\/strong> Neem b-<\/em> bootstrapped samples uit de originele dataset.<\/span><\/p>\n

2.<\/strong> Maak een beslissingsboom voor elk bootstrap-voorbeeld.<\/span><\/p>\n

3.<\/strong> Gemiddelde van de voorspellingen van elke boom om een definitief model te verkrijgen.<\/span><\/p>\n

Door honderden of zelfs duizenden individuele beslisbomen te bouwen en de gemiddelde voorspellingen van alle bomen te nemen, eindigen we vaak met een passend tasmodel dat een veel lager testfoutenpercentage oplevert vergeleken met een enkele beslissingsboom.<\/span><\/p>\n

Deze zelfstudie biedt een stapsgewijs voorbeeld van hoe u een model in een zak kunt maken in R.<\/span><\/p>\n

Stap 1: Laad de benodigde pakketten<\/strong><\/span><\/h3>\n

Eerst laden we de benodigde pakketten voor dit voorbeeld:<\/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
 Stap 2: Monteer het model met zak<\/strong><\/span><\/h3>\n
 Voor dit voorbeeld gebruiken we een ingebouwde R-dataset genaamd Air Quality<\/strong> , die metingen bevat van de luchtkwaliteit in New York City gedurende 153 afzonderlijke dagen.<\/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
 De volgende code laat zien hoe u een in zakken verpakt model in R kunt passen met behulp van de functie bagging()<\/strong> uit de ipred-<\/strong> bibliotheek.<\/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
 Merk op dat we ervoor hebben gekozen om 150<\/strong> bootstrapped-monsters te gebruiken om het in zakken verpakte model te bouwen en dat we hebben gespecificeerd dat coob<\/strong> WAAR<\/strong> is om de geschatte out-of-bag-fout te verkrijgen.<\/span><\/p>\n
 We hebben ook de volgende specificaties gebruikt in de functie rpart.control()<\/strong> :<\/span><\/p>\n