xwMOOC 모형 - tidymodels

펭귄 성별예측모형: tidymodels - MDP / DALEX

Tidyverse Korea

1 설명가능한 AI 환경설정

1.1 DALEX 환경설정

DALEX 설치 후 install_dependencies() 함수로 관련 의존성을 모두 설치한다. modelStudio는 기계학습 예측모형에 대한 탐색적 분석을 자동화할 수 있게 도와준다.

library(tidyverse)
library(tidymodels)
library(DALEX)
# install_dependencies()
library(modelStudio)

1.2 workflow 예측모형

workflow 객체를 explainer 객체로 변환할 때 다음 오류로 윈도우에서는 동작이 제대로 되지 않고 있다.

Error in UseMethod(“explain”) :
no applicable method for ‘explain’ applied to an object of class “workflow”

# 데이터 가져오기
tuesdata <- tidytuesdayR::tt_load('2020-07-28')

# Basetable 준비
penguin_df <- tuesdata$penguins %>% 
  filter(!is.na(sex)) %>%
  select(-year, -island) %>% 
  mutate_if(is.character, as.factor)

# 모형적합
glm_spec <- logistic_reg() %>%
  set_mode("classification") %>% 
  set_engine("glm") 

penguin_wf <- workflow() %>%
  add_formula(sex ~ .) %>% 
  add_model(glm_spec)

penguin_fit <- fit(penguin_wf, penguin_df)

# 모형 설명

y_penguin <- as.numeric(penguin_df$sex)

explainer <- explain(penguin_fit,
                     data = penguin_df,
                     y = y_penguin,
                     label = "Penguin GLM")

modelStudio(explainer)

1.3 예측모형 가져오기

먼저 펭귄 성별 예측모형을 가져와서 정상 동작여부를 파악한다. 헬로우 월드를 던져본다. 맥에서는 잘됐는데 윈도우에서는 안된다.

penguin_predictvie_model <- read_rds("data/penguin_predictvie_model.rds")

obs_df <- tibble("species" = "Adelie",
                  "bill_length_mm" =  39.1,
                  "bill_depth_mm" =  18.7,
                  "flipper_length_mm" =  181,
                  "body_mass_g" = 3750)

predict(penguin_predictvie_model, obs_df)

1.4 parsnip 예측모형¹

library(ranger)
# 데이터 가져오기
tuesdata <- tidytuesdayR::tt_load('2020-07-28')

    Downloading file 1 of 2: `penguins.csv`
    Downloading file 2 of 2: `penguins_raw.csv`

# Basetable 준비
penguin_df <- tuesdata$penguins %>% 
  filter(!is.na(sex)) %>%
  select(-year, -island) %>% 
  mutate_if(is.character, as.factor)

# 모형적합

penguin_fit <- rand_forest() %>%
  set_mode("classification") %>%
  set_engine("ranger") %>%
  fit(sex ~ ., data = penguin_df)

# 모형 설명

custom_predict <- function(object, newdata) {
  pred <- predict(object, newdata)
  response <- pred$.pred
  return(response)
}

y_penguin <- as.numeric(penguin_df$sex)

explainer <- DALEX::explain(penguin_fit,
                            data = penguin_df,
                            y = y_penguin)

Preparation of a new explainer is initiated
  -> model label       :  model_fit  (  default  )
  -> data              :  333  rows  6  cols 
  -> data              :  tibbble converted into a data.frame 
  -> target variable   :  333  values 
  -> predict function  :  yhat.model_fit  will be used (  default  )
  -> predicted values  :  numerical, min =  0 , mean =  0.5029812 , max =  1  
  -> model_info        :  package parsnip , ver. 0.1.1 , task classification (  default  ) 
  -> residual function :  difference between y and yhat (  default  )
  -> residuals         :  numerical, min =  0.296169 , mean =  1.001523 , max =  1.640322  
  A new explainer has been created!  

obs_df <- tibble("species" = "Adelie",
                  "bill_length_mm" =  39.1,
                  "bill_depth_mm" =  18.7,
                  "flipper_length_mm" =  181,
                  "body_mass_g" = 3750)

modelStudio(explainer, new_observation = obs_df)

---

1. ModelStu002↩

 

---

데이터 과학자 이광춘 저작

kwangchun.lee.7@gmail.com