Prédiction

Préparer les données

library(rsample)

split <- initial_split(dataset, 0.8)
dt_train <- training(split)
dt_test <- testing(split)

Prédire

pred <- predict(object = model, newdata = test) effectuer les prédictions. Paramètres :

• type = renvoyer la probabilité :
• response retourner la probabilité d'appartenance à la classe (pour la classification)

Méthode	Type
Arbre de décision	\
Régression logistique	type = "response"
Forêt aléatoire	type = "prob")[,2]
Boosting	type = "prob")[,2]
Classificateur naïve baysien	)$posterior[,2]
## Descente de gradient

La descente de gradient permet de trouver le minimum d'une fonction

fct_cout <- function(x_obs, y_obs, params){
  a <- params[1]
  b <- params[2]
  return(sum( (fct_mod_lineaire(params, x_obs) - y_obs)**2 ))
}

optim(par = c(a = 3, b = 12), fn = fct_cout, method = "CG", x = x, y = yobs)

• optim(par = c(-5,5), fn = fonction, method = "BFGS") minimiser une fonction.

R	Méthode
Nelder-Mead
CG	Gradient conjugué.
BFGS	Méthode de Newton.
L-BFGS-B	BFGS avec des contraintes sur les valeurs à trouver.
SANN	Recuit simulé.
Brent
Sortie :
### Regression

• postResample(pred, reel) renvoie le \(R^2\).

Classification

Matrice de confusion

• prop.table(table(eval$cible, eval$pred.class)) matrice de confusion en fréquence (ou confusionMatrix() de library(caret)).
• roc.plot(classe , proba) courbe Receiving Operator Characteristic (ROC) library(verification) (ou roc() de library(pROC)).
• auc = performance(pred,"auc")@y.values[[1]] Area Under the Curve (AUC).

Courbe de Lift

• $par valeurs trouvées des paramètres qui minimise la fonction.
• $value valeurs minimums.
• $convergence renvoie si l'algorithme a réussi à converger (0 oui, 1 non le maximum d'itération a été atteint).
• $counts renvoie le nombre d'appel à la fonction et à la dérivé.