[R-es] CV en R
Jesús Para Fernández
j.para.fernandez en hotmail.com
Vie Jun 2 15:06:09 CEST 2017
El problema es que no se como ir guardando esos modelos. Lo que he hecho finalmente es lo siguiente:
Creo los modelos con validacion cruzada (en total 10 modelos por algoritmo, ya que hago 10 folds).
Una vez hecho eso, me quedo con el mejor grupo de 10 modelos. Por ejemplo, randomForest con 500 arboles y nodeside4 (tengo 10 resultados para ese modelo).
Entonces, como ese modelo no lo he podido guardar (por ignorancia de no saber como guardarlos), vuelvo a crearlos de nuevo a parte, los 10, haciendo de nuevo un train del 70% y le hago el predict, pero ya sobre el test definitivo que quiero probar. Esa prediccion la voy guardando en una matriz de mfilasx10 columnas, y luego hago la media de esas 10 columnas, fila a fila, con lo que tengo la predicción global para el modelo.
¿Os parece muy incorrecto?
A mi me parece una buena técnica, aunque poco eficiente, ya que vuelvo a generar 10 veces un modelo que ya habia geneardo esas 10 veces.
Un saludo
Jesús
________________________________
De: Isidro Hidalgo Arellano <ihidalgo en jccm.es>
Enviado: viernes, 2 de junio de 2017 14:35
Para: 'Jesús Para Fernández'; 'Carlos Ortega'
Cc: 'Lista R'
Asunto: RE: [R-es] CV en R
Una vez que tienes la técnica y los parámetros óptimos resultantes de la validación cruzada, ya tienes el modelo que necesitas, NO tienes que hacer nada más. Si vuelves a modelar con todos los datos todo el trabajo de validación que has hecho lo envías a hacer gárgaras. Estarías construyendo un modelo con sobreajuste.
Para quedarte tranquilo, haz la prueba, coge el modelo resultante de la validación y ve aplicándolo a los nuevos datos. Haz lo mismo con el que obtengas de ése paso final que NO debes dar, y que no te he puesto en mi código corregido, a saber:
modelo.final<-randomForest(respuesta~.,datos)
Cuando los aplicas con los nuevos datos, ¿cuál funciona mejor?
Un saludo
Isidro Hidalgo Arellano
Observatorio del Mercado de Trabajo
Consejería de Economía, Empresas y Empleo
http://www.castillalamancha.es/
Inicio | Gobierno de Castilla-La Mancha<http://www.castillalamancha.es/>
www.castillalamancha.es
Web oficial del gobierno autonómico de Castilla-La Mancha con información sobre actividad administrativa, economía, educación, sanidad, servicios sociales, sede ...
De: Jesús Para Fernández [mailto:j.para.fernandez en hotmail.com]
Enviado el: viernes, 02 de junio de 2017 14:21
Para: Carlos Ortega <cof en qualityexcellence.es>
CC: Lista R <r-help-es en r-project.org>; Isidro Hidalgo Arellano <ihidalgo en jccm.es>
Asunto: Re: [R-es] CV en R
Pero creo que hay un concepto que no termina de aclararse.
Creo que lo importante es quedarse con el modelo bueno, por ejemplo, imaginemos que queremos probar los siguientes algoritmos: RF, SVM, KNN, LDA....
Entonces hacemos lo siguiente:
Probamos con todos ellos, para lo que se hacen particiones:
Imaginemos que tengo un datasheet llamado datos, perfectamnte balanceado, sin datos faltantes, ni ruido ni nada asi. Entonces:
for(i in 1:10){
train #saco el train de los datos
test #saco el test de los datos
pruebo RF, con diferentes configuaraciones (bucles j,k)
pruebo SVM, con diferentes configuaraciones (bucles j,k)
pruebo KNN
pruebo LDA
guardo resultados
}
y sobre el que mejor de, entonces ya creo el modelo definitivo, con el conjunto de datos global. Si fuera un randomForest
randomForest(respuesta~.,ntree=500,nodesize=4,datos)
Y ese es mi modelo para los proximos daots que vengan yq ue no han formado parte del datasheet datos
________________________________
De: Carlos Ortega <cof en qualityexcellence.es<mailto:cof en qualityexcellence.es>>
Enviado: viernes, 2 de junio de 2017 13:11
Para: Jesús Para Fernández
Cc: Lista R; Isidro Hidalgo Arellano
Asunto: Re: [R-es] CV en R
Hola,
Eso es justamente lo que hace "caret" de una manera muy sencilla y sin que tú te tengas que preocupar de quedarte con el mejor bucket (del CV) o con la mejor combinación en tu "grid search".
Te recomiendo que uses "caret" para esto....
Puedes incluso evaluar los dos algoritmos "RF" y "svm" a la vez y conocer realmente el nivel de precisión que ofrecen ambos.
Y claro, inicialmente puedes elegir el conjunto de entrenamiento sobre el que haces el CV dejando el resto "test" para validar el nivel de predicción.
Gracias,
Carlos Ortega
www.qualityexcellence.es<http://www.qualityexcellence.es>
QualityExcellence<http://www.qualityexcellence.es/>
www.qualityexcellence.es<http://www.qualityexcellence.es>
QUALITY EXCELLENCE, consultores en calidad, procesos y mejora continua
El 2 de junio de 2017, 13:06, Isidro Hidalgo Arellano <ihidalgo en jccm.es<mailto:ihidalgo en jccm.es>> escribió:
No me has parecido para nada borde.
Ok. Centrémonos en RF y bajemos el nº de parámetros a 2: ntree y nodesize.
Te haces una parrilla de ntree: 100, 200, 300, 400, 500
Otra de nodesize: 3, 6, 10
Con esto tienes 15 combinaciones.
Vamos al código. Simplemente crea una lista donde metes los resultados (y
tienes que añadir los parámetros, que has omitido)
Después graficas usando un mapa de calor para ver qué combinación de
parámetros te da el mejor resultado (en abscisas ntree y en ordenadas
nodesize). Una vez que veas los intervalos de parámetros que mejor se
comportan, afinas el resultado con otra validación cruzada:
for(i in 1:15){
numeros<-sample(1:1500,1500*0.7)
train<-datos[numeros,]
test<-datos[-numeros,]
#modeloRF
resultadoRF <- list()
modelo.rf<-randomForest(respuesta~,train)
prediccion<-predict(modelo.rf,test)
fp<-table(prediccion,test$respuesta)[2,1]
fn<-table(prediccion,test$respuesta)[1,2]
error<-(fp+fn)/nrow(train.balanceado)
resultadoRF[[i]]<-rbind(resultado,data.frame(error=error,modelo="rf"))
#modelo SVM
resultadoSVM <- list()
modelo.svm<-svm(respuesta~,train)
prediccion<-predict(modelo.svm,test)
fp<-table(prediccion,test$respuesta)[2,1]
fn<-table(prediccion,test$respuesta)[1,2]
error<-(fp+fn)/nrow(train.balanceado)
resultadoSVM[[i]]<-rbind(resultado,data.frame(error=error,modelo="svm"))
}
Un saludo
Isidro Hidalgo Arellano
Observatorio del Mercado de Trabajo
Consejería de Economía, Empresas y Empleo
http://www.castillalamancha.es/
De: Jesús Para Fernández [mailto:j.para.fernandez en hotmail.com<mailto:j.para.fernandez en hotmail.com>]
Enviado el: viernes, 02 de junio de 2017 12:50
Para: Isidro Hidalgo Arellano <ihidalgo en jccm.es<mailto:ihidalgo en jccm.es>>; r-help-es en r-project.org<mailto:r-help-es en r-project.org>
Asunto: Re: [R-es] CV en R
Buenas,
Puse los modelos lo mas simplificados, para centrar el tiro en el tema que
me preocupa.
Es una pena no poder hablar cara a cara, porque por email puedo sonar algo
borde, pero no es así, al contrario estoy enormemente agradecido por tu
ayuda, pero le veo un problema.
Me dices que use un list para ir guardando el modelo, pero tal y como he
propuesto en el bucle for, el modelo se crea 10 veces, es decir, que
entiendo que si es un randomForest, tendria que entonces hacer una
combinacion de esos 10 modelos con la funcion combine de RF para unir esos
modelos, verdad?? Porque sino estaria en el mismo problema, generando un
modelo generalista de una simple submuestra de los datos.
Gracias por todo!!!
Jesús
_____
De: Isidro Hidalgo Arellano <ihidalgo en jccm.es<mailto:ihidalgo en jccm.es> <mailto:ihidalgo en jccm.es<mailto:ihidalgo en jccm.es>> >
Enviado: viernes, 2 de junio de 2017 12:28
Para: 'Jesús Para Fernández'; r-help-es en r-project.org<mailto:r-help-es en r-project.org>
<mailto:r-help-es en r-project.org<mailto:r-help-es en r-project.org>>
Asunto: RE: [R-es] CV en R
No me había fijado en el código, te había he contestado teóricamente.
A ver, en ese código tienes varios problemas:
- No especificas los parámetros del modelo (para eso es la
validación cruzada). En RF tendrías que especificar el número de árboles, la
cantidad de puntos con los que acotar la regresión, etc. En SVM el tipo de
kernel que vas a usar, la sensibilidad… NO SE TRATA SÓLO de hacer modelos
con diferentes conjuntos de entrenamiento, sino de buscar los parámetros que
mejor ajustan los datos.
Te pongo un ejemplo: imagínate que tienes mucho ruido, en ese caso, en cada
punto de regresión, tendrás que tomar un número de puntos mayor (parámetro
"nodesize")
- Respecto a no guardar los modelos, es muy fácil con una lista.
Cada modelo que hagas, guárdalo en un lista, junto con los datos de
resultados que quieras (incluyendo los parámetros de especificación del
modelo)
Te recomiendo 2 cosas:
- Usa el paquete caret
- Lee este libro:
https://link.springer.com/book/10.1007/978-1-4614-6849-3
Con el libro matas varios pájaros de un tiro:
- Aprendes algo de teoría (poca), que siempre viene bien
- El autor es el creador del paquete caret
Si tienes tiempo, yo buscaría un curso del MIT que es muy bueno, aunque de
los duros, te lo tienes que programar casi todo desde 0, pero cuando acabas,
la teoría (con éste sí) la has machacado bastante bien, y sabes lo que hace
un SVM, un RF. Es éste:
https://www.edx.org/course/learning-data-introductory-machine-caltechx-cs115
6x<https://www.edx.org/course/learning-data-introductory-machine-caltechx-cs1156x>
<https://www.edx.org/course/learning-data-introductory-machine-caltechx-cs11
56x<https://www.edx.org/course/learning-data-introductory-machine-caltechx-cs1156x>>
<https://www.edx.org/course/learning-data-introductory-machine-caltechx-cs11
56x> Learning From Data (Introductory Machine Learning) | edX
www.edx.org<http://www.edx.org> <http://www.edx.org>
Introductory Machine Learning course covering theory, algorithms and
applications. Our focus is on real understanding, not just "knowing."
Tiene un libro asociado que está muy bien también.
Si te da miedito, hay otro más suave, de los clásicos Hastie y Tibshirani:
https://lagunita.stanford.edu/courses/HumanitiesSciences/StatLearning/Winter
2016/about<https://lagunita.stanford.edu/courses/HumanitiesSciences/StatLearning/Winter2016/about>
<https://lagunita.stanford.edu/courses/HumanitiesSciences/StatLearning/Winte
r2016/about<https://lagunita.stanford.edu/courses/HumanitiesSciences/StatLearning/Winter2016/about>> Statistical Learning | Stanford Lagunita
lagunita.stanford.edu<http://lagunita.stanford.edu>
StatLearning now self paced! The active course run for Statistical Learning
has ended, but the course is now available in a self paced mode. You are
welcome to join ...
Éstos también tienen 2 libros muy buenos. El resumido es en el que se basa
el curso anterior.
De: Jesús Para Fernández [mailto:j.para.fernandez en hotmail.com<mailto:j.para.fernandez en hotmail.com>]
Enviado el: viernes, 02 de junio de 2017 12:04
Para: Isidro Hidalgo Arellano <ihidalgo en jccm.es<mailto:ihidalgo en jccm.es> <mailto:ihidalgo en jccm.es<mailto:ihidalgo en jccm.es>> >;
r-help-es en r-project.org<mailto:r-help-es en r-project.org> <mailto:r-help-es en r-project.org<mailto:r-help-es en r-project.org>>
Asunto: Re: [R-es] CV en R
Es que es justo ahi donde no se como hacerlo.
Es decir, dentro del bucle for hago las comprobaciones train test, y me da
que de media el mejor es randomForest, pero claro, no me estoy quedando con
el modelo, ya que no se va guardando....Entonces es cuando no se como seguir
para quedarme con ese modelo....
_____
De: Isidro Hidalgo Arellano < <mailto:ihidalgo en jccm.es<mailto:ihidalgo en jccm.es>> ihidalgo en jccm.es<mailto:ihidalgo en jccm.es>>
Enviado: viernes, 2 de junio de 2017 11:59
Para: 'Jesús Para Fernández'; <mailto:r-help-es en r-project.org<mailto:r-help-es en r-project.org>>
r-help-es en r-project.org<mailto:r-help-es en r-project.org>
Asunto: RE: [R-es] CV en R
No, no. Si construyes el modelo con todos los datos, explícame para qué te
ha servido la validación cruzada... ¿Sólo para saber si funciona mejor SVM o
RF con ese conjunto de datos? Eso es insuficiente.
Cuando construyes un modelo, lo haces entrenando con datos que el modelo NO
VE, ahí está la gracia...
Te tienes que quedar con el mejor modelo entrenado. Y después ver cómo te
funciona en la vida real, es decir, con nuevos datos que el modelo NO HA
VISTO.
Un saludo.
Isidro Hidalgo Arellano
Observatorio del Mercado de Trabajo
Consejería de Economía, Empresas y Empleo
<http://www.castillalamancha.es/> http://www.castillalamancha.es/
<http://www.castillalamancha.es/> Inicio | Gobierno de Castilla-La Mancha
<http://www.castillalamancha.es> www.castillalamancha.es<http://www.castillalamancha.es>
Web oficial del gobierno autonómico de Castilla-La Mancha con información
sobre actividad administrativa, economía, educación, sanidad, servicios
sociales, sede ...
-----Mensaje original-----
De: R-help-es [ <mailto:r-help-es-bounces en r-project.org<mailto:r-help-es-bounces en r-project.org>>
mailto:r-help-es-bounces en r-project.org<mailto:r-help-es-bounces en r-project.org>] En nombre de Jesús
Para Fernández
Enviado el: viernes, 02 de junio de 2017 11:48
Para: <mailto:r-help-es en r-project.org<mailto:r-help-es en r-project.org>> r-help-es en r-project.org<mailto:r-help-es en r-project.org>
Asunto: [R-es] CV en R
Buenas,
Estoy haciendo modelos y comparando cual es mejor. Para ello, uso CV de 10
folds.
Por ejemplo, hago la comparativa entre un svm y un randomForest para una
serie de datos, por ello hago:
midataset<-import.....
#datos es un dataframe de 1500 filas y 15 variables
for(i in 1:10){
numeros<-sample(1:1500,1500*0.7)
train<-datos[numeros,]
test<-datos[-numeros,]
#modeloRF
modelo.rf<-randomForest(respuesta~,train)
prediccion<-predict(modelo.rf,test)
fp<-table(prediccion,test$respuesta)[2,1]
fn<-table(prediccion,test$respuesta)[1,2]
error<-(fp+fn)/nrow(train.balanceado)
resultado<-rbind(resultado,data.frame(error=error,modelo="rf"))
#modelo SVM
modelo.svm<-svm(respuesta~,train)
prediccion<-predict(modelo.svm,test)
fp<-table(prediccion,test$respuesta)[2,1]
fn<-table(prediccion,test$respuesta)[1,2]
error<-(fp+fn)/nrow(train.balanceado)
resultado<-rbind(resultado,data.frame(error=error,modelo="svm"))
}
Mi pregunta es la siguiente. Si el modelo de RF es mejor, como me quedo con
el modelo final? Tengo que crear el modelo de nuevo, sin tener en cuenta el
train?
modelo.final<-randomForest(respuesta~.,datos)
Gracias!!!!
[[alternative HTML version deleted]]
_______________________________________________
R-help-es mailing list
<mailto:R-help-es en r-project.org<mailto:R-help-es en r-project.org>> R-help-es en r-project.org<mailto:R-help-es en r-project.org>
<https://stat.ethz.ch/mailman/listinfo/r-help-es>
https://stat.ethz.ch/mailman/listinfo/r-help-es
[[alternative HTML version deleted]]
_______________________________________________
R-help-es mailing list
R-help-es en r-project.org<mailto:R-help-es en r-project.org>
https://stat.ethz.ch/mailman/listinfo/r-help-es
--
Saludos,
Carlos Ortega
www.qualityexcellence.es<http://www.qualityexcellence.es>
[[alternative HTML version deleted]]
Más información sobre la lista de distribución R-help-es