Примеры кода на R
Особенности написания кода на R
Язык R изначально создавался как язык программирования для работы с графикой и статистической обработки данных. Поэтому он отличается большим количеством реализованных статистических алгоритмов, на основе которых можно создавать модели и алгоритмы машинного обучения.
Язык постоянно расширяется за счёт новых библиотек (пакетов). Для импорта одного пакета необходимо прописать в файле следующие строки:
install.packages("packageName")
require("packageName")
Для того чтобы импортировать пакет с его зависимостями в код следует включить следующие строки:
library("packageName")
Описание известных пакетов
Для языка R написано много пакетов, каждый из которых предназначен для решения определенного круга проблем. Например, для обработки данных или реализации основных алгоритмов. В статье представлено несколько наиболее часто используемых пакетов.
Пакеты для обработки данных
Pipelearner
Пакет Pipelearner[1] предоставляет базовые возможности для разбиения набора данных на блоки для обучения моделей. В основе пакета лежит концепция работы конвейера. Пакет хорошо документирован, все непонятные моменты можно прояснить, просто изучив структуру объекта на каждом этапе работы алгоритма.
MICE
Пакет MICE[2] используется для заполнения пропущенных значений в данных. При этом нет необходимости думать о типах значений: для каждого из них в пакете предусмотрено заполнение по умолчанию.
Ggplot2
Данный пакет[3] используется для отрисовки данных и графиков.
Пакеты с реализованными алгоритмами машинного обучения
Caret
В данном пакете [4] представлены модели для регрессии и классификации, а также большая часть популярных метрик. В настоящее время имеется возможность использовать более 180 различных алгоритмов. Основная функция в составе Caret - функция train(). Параметры обучения в ней задаются аргументом trControl, а оценка качества модели - аргументом metric. Отличительными особенностями Caret является универсальность используемых команд, наличие автоматического подбора гиперпараметров для алгоритмов, в также наличие параллельных вычислений.
party =
Пакет Party содержит в себе инструменты для рекурсивного разбиения. Основная функция пакета - ctree (), которая используется для создания деревьев решения для таких задач регрессии как номинальные, порядковые, числовые а также многовариантные переменные отклика. На основе деревьев условного вывода cforest () предоставляет реализацию случайных лесов Бреймана. Функция mob () реализует алгоритм рекурсивного разделения на основе параметрических моделей (например, линейных моделей, GLM или регрессии выживания), использующих тесты нестабильности параметров для выбора разделения. Доступна расширяемая функциональность для визуализации древовидных регрессионных моделей.
randomForest =
ClusterR =
Mlr
В пакете Mlr [5] представлены модели для регрессии, классификации, кластеризации и анализа выживаемости, а также широкие возможности для оценки качества (в том числе функции для анализа ROC-кривых). Есть поддержка параллельных вычислений и конвейерных операций.
H2O
В пакете H20 [6] представлены линейные модели, такие как градиентный бустинг, PCA, GLRM, KNN, Radom forest, наивный Байесовский классификатор. Сильная сторона этой библиотеки – работа с большими объемами данных и поддержка многопоточных вычислений.Однако в ней нет возможности задавать параметры используемых алгоритмов
Примеры алгоритмов
В интернете много хороших примеров реализации алгоритмов на R, но среди них хотелось бы особо отметить один учебник[7] c портала coderlessons.com. В нем представлена реализация основных алгоритмов в порядке, удобном для изучения.
Задачи регрессии
Линейная регрессия
#$$reading data
data <- read.csv("input.csv", sep = ',', header = FALSE)
#evaluating linear regression model
model <- lm(data$x ~ data$y)
#getting summary
print(summary(model))
#visualizing data
plot(data$y, data$x)
lines(data$y, predict(fit), col = 'red')
Множественная регрессия
#$$reading data
rdata <- read.csv("input.csv", sep = ',', header = FALSE)
#evaluating regression model
model <- lm(target ~ x + y + z, data = rdata)
#getting summary
print(summary(model))
Логистическая регрессия
Логистическая регрессия – это модель регрессии, в которой переменная ответа принимает значения 0 или 1 (True или False). Реализация на языке R представлена в следующем фрагменте:
#$$reading data
rdata <- read.csv("input.csv", sep = ',', header = FALSE)
#evaluating model
model = glm(formula = target ~ x + y + z, data = rdata, family = binomial)
#printing summary
print(summary(model))
Деревья решений, случайный лес
Деревья решений
Для создания деревьев решений в R используется функция ctree из пакета party.
#importing package
install.packages("party")
#reading data
rdata <- read.csv("input.csv", sep = ',', header = FALSE)
#evaluating model
output.tree <- ctree(target ~ x + y + z, data = rdata)
#plotting results
plot(output.tree)
Случайный лес
Для создания случайного леса необходимо импортировать пакет randomForest
#importing packages
install.packages("party")
install.packages("randomForest")
#reading data
rdata <- read.csv("input.csv", sep = ',', header = FALSE)
#creating the forest
output.forest <- randomForest(target ~ x + y + z,
data = rdata)
#getting results
print(output.forest)
Наивный Бейесовский классификатор
#$$importing package and it's dependencies
library(e1071)
#reading data
data <- read.csv("input.csv", sep = ',', header = FALSE)
#splitting data into training and test data sets
index <- createDataPartition(y = data$target, p = 0.8,list = FALSE)
training <- data[index,]
testing <- data[-index,]
#create objects x and y for predictor and response variables
x = training[,-9]
y = training$target
#training model
model = train(x,y,'nb',trControl=trainControl(method='cv',number=10))
#predicting results
predictions <- predict(model, newdata = testing)
SVM
#$$ importing package and its' dependencies
library(caret)
#reading data
data <- read.csv("input.csv", sep = ',', header = FALSE)
#splitting data into train and test sets
index <- createDataPartition(y = data$target, p=0.8, list = FALSE)
training <- data[index,]
testing <- data[-index,]
#evaluating model
fit <- train(target ~ x + y + z,
data = train_flats,
method = "svmRadial",
trControl = trainControl(method = "repeatedcv", number = 10, repeats = 3))
#printing parameters
print(fit)
Кластеризация
Для реализации алгоритма кластеризации k-средних используется пакет ClusterR. В нем реализовано 2 функции: KMeans_arma и KMeans_rcpp. В примере далее рассмотрена реализация с использованием функции KMeans_arma.
#$$ importing package and its' dependencies
library(ClusterR)
#reading data
data <- read.csv("data.csv")
#evaluating model
model = KMeans_arma(data, clusters = 2, n_iter = 10, seed_mode = "random_subset",
verbose = T, CENTROIDS = NULL)
#predicting results
predictions = predict_KMeans(test_data, model)
