투빅스 9&10기 2주차 KNN, LDA - 10기 박성진

by chad4545 posted Aug 01, 2018
단축키

Prev이전 문서
Next다음 문서
ESC닫기
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
######### 분석과제!
rm(list=ls())
### setwd
Sys.setlocale(category = "LC_CTYPE", locale = "ko_KR.UTF-8")
rm(list=ls())
getwd()
setwd("/Users/sungjinpark/Desktop/투빅스/week2/knnlda")
 
### packages
if(!require(caret)) install.packages("caret"); library(caret)
if(!require(e1071)) install.packages("e1071"); library(e1071)
if(!require(dplyr)) install.packages("dplyr"); library(dplyr)
if(!require(data.table)) install.packages("data.table"); library(data.table)
if(!require(readr)) install.packages("readr"); library(readr)
 
# MAC 기준 csv 읽을때, 한글 깨짐 방지
read.any <- function(text, sep = "", ...) {
  encoding <- as.character(guess_encoding(text)[1,1])
  setting <- as.character(tools::file_ext(text))
  if(sep != "" | !(setting  %in% c("csv", "txt")) ) setting <- "custom"
  separate <- list(csv = ",", txt = "\n", custom = sep)
  result <- read.table(text, sep = separate[[setting]], fileEncoding = encoding, ...)
  return(result)
}
 
 
 
#### load data
pro.train <- fread('profiles_train.csv')
pro.train <- as.data.frame(pro.train)
pro.test <- fread('profiles_test.csv')
pro.test <- as.data.frame(pro.test)
 
 
click.train <- read.any('click_train.csv',header=TRUE)
click.train <- as.data.frame(click.train)
click.test <- read.any('click_test.csv',header=TRUE)
click.test <- as.data.frame(click.test)
 
 
 
 
### 변수추가 1. DT
# st_t 총합 = 총 체류시간
a <-click.train %>% group_by(id) %>% summarise(DT = sum(st_t)) # or aggregate
pro.train <- inner_join(pro.train,a) # or merge
pro.train %>% head
 
### 변수추가 2. PV
# st_c 총합 = 총 페이지 뷰
b <- click.train %>% group_by(id) %>% summarise(PV = sum(st_c))
pro.train <- inner_join(pro.train,b)
head(pro.train)
 
### 변수추가 3. COV
# 얼마나 다양한 cate 접속했나 알아보는것 .
# 서로 다른 cate 갯수 / 22개 
c <- click.train %>% group_by(id) %>% summarise(COV = round(length(unique(cate))/22,2))
pro.train <- inner_join(pro.train,c)
pro.train %>% head
 
### 변수추가 4. Day 
# 총 접속일수 
click.train$time <- as.character(click.train$time)
d <- click.train %>% group_by(id) %>% summarise(Day = length(unique(substr(time,1,8))))
pro.train <- inner_join(pro.train,d)
pro.train %>% head
 
# 같은 변수 추가를 pro.test 에도 해준다 
a_1 <-click.test %>% group_by(id) %>% summarise(DT = sum(st_t)) # or aggregate
pro.test <- inner_join(pro.test,a_1) # or merge
 
b_1 <- click.test %>% group_by(id) %>% summarise(PV = sum(st_c))
pro.test <- inner_join(pro.test,b_1)
 
c_1 <- click.test %>% group_by(id) %>% summarise(COV = round(length(unique(cate))/22,2))
pro.test <- inner_join(pro.test,c_1)
 
click.test$time <- as.character(click.test$time)
d_1 <- click.test %>% group_by(id) %>% summarise(Day = length(unique(substr(time,1,8))))
pro.test <- inner_join(pro.test,d_1)
pro.test %>% head
 
 
 
#### data partition
str(pro.train)
# 종속변수(y) 분포 확인
table(pro.train$gen)
prop.table(table(pro.train$gen))
 
# 남자 여자 
# 255  147 
# 남자      여자 
# 0.6343284 0.3656716 
 
# factor 처리
pro.train$gen <- factor(pro.train$gen, level=c("남자","여자"))
pro.train$job <-as.factor(pro.train$job)
pro.train$resid <-as.factor(pro.train$resid)
 
# set.seed(1) : 난수 고정
set.seed(1)
 
 
 
######### 분석과제 안에 들어있는 구현
# 순서대로 KNN ,WKNN, LDA, Logistic Regression
# pro.train 데이터를 pro_train/pro_test로 나눈다
# 즉, pro.test 데이터는 사용하지 않고 남겨둔다.
 
######### cross validation
#cross validation은 하이퍼 파라미터 개념이 아님! 
# cross validation을 한번만 할것인가(cv) 
# cross validation을 n번 반복해서 할 것인가(repcv)의 차이! 
# 당연히 n번 반복해서 할 때 데이터를 어떻게 분할 하냐에 따라서 결과값이 다르게 나옴.
# 따라서 어떤 모델, 파라미터가 더 나은지 확인하기 위해선 같은 cv, repcv를 해준 상태에서 비교를 해야함
cv <- trainControl(method = "cv", number = 5, verbose = T)
repCv <- trainControl(method = "repeatedcv", number = 5,repeats = 3, verbose = T)
 
# createDataPartition
# caret패키지 안에 있는 데이터 파티션, 층화추출
idx <- createDataPartition(y = pro.train$gen, p = 0.7, list =FALSE)
pro_train <- pro.train[idx,]
pro_test <- pro.train[-idx,]
str(pro_train)
str(pro_test)
 
######### knn                         Accuracy : 0.6417 
#### tune parameter                   Sensitivity : 1.00000        
  #                                   Specificity : 0.02273
 
knn.grid = expand.grid(
  .k = c(19) # k값 조정 
)
 
train.knn <- train(gen~.,pro_train, method = "knn",trControl = repCv,
                   tuneGrid = knn.grid)
train.knn$results
train.knn$bestTune
# k
# 10 19
predict.knn <- predict(train.knn,pro_test)
confusionMatrix(predict.knn, pro_test$gen)
 
 
 
######### wknn                   Accuracy : 0.6167 
#### tune parameter              Sensitivity : 0.7763          
#                               Specificity : 0.3409 
# best tune
 
#kmax distance  kernel       
#20   19        2 optimal
 
# kmax = 근접값
# distance = 1 -> 맨하탄
# distance = 2 -> 유클리디안
wknn.grid = expand.grid(
  .kmax = c(1,3,5,7,9,11,13,15,17,19),
  .distance = c(1,2),
  .kernel = "optimal"
)
# Fitting kmax = 19, distance = 2, kernel = optimal on full training set
train.wknn <- train(gen~.,pro_train, method = "kknn", trControl = cv,
                    tuneGrid = wknn.grid)
train.wknn$results
train.wknn$bestTune
# kmax distance  kernel
# 19        2 optimal
predict.wknn <- predict(train.wknn,pro_test)
confusionMatrix(predict.wknn, pro_test$gen)
 
 
 
######### lda            Accuracy : 0.6167
                        # Sensitivity : 0.6842          
                        # Specificity : 0.5000
 
train.lda <- train(gen~.,pro_train, method = "lda", trControl = repCv)
predict.lda <- predict(train.lda,pro_test)
confusionMatrix(predict.lda, pro_test$gen)
 
######### logistic      Accuracy : 0.6083 
#                       Sensitivity : 0.6974         
#                       Specificity : 0.4545
 
train.glm <- train(gen~.,pro_train, method = "glm", trControl =repCv)
predict.glm <- predict(train.glm,pro_test)
confusionMatrix(predict.glm, pro_test$gen)
 
 
 
 
#####################################################
# knn  경우 특이도, 민감도 밸런스가 많이 안좋아서 뺸다.
# wknn, lda, glm을 사용하겠다. 
voteClassifier <- function(a,b,c) {
  #wknn을 위한 변수 
  wknn.grid = expand.grid(
    .kmax = c(19),
    .distance = c(2),
    .kernel = "optimal"
  )
  
  train.wknn_1 <- train(gen~.,pro.train, method = a, trControl = cv,
                        tuneGrid = wknn.grid)
  train.lda_1 <- train(gen~.,pro.train, method = b, trControl = repCv)
  train.glm_1 <- train(gen~.,pro.train, method = c, trControl =cv)
  
  # 예측 부분
  predict.wknn_1 <- predict(train.wknn_1,pro.test)
  predict.lda_1 <- predict(train.lda_1,pro.test)
  predict.glm_1 <- predict(train.glm,pro.test)
  # predict count 부분
  calculator_wknn <-c()
  for (i in predict.wknn_1) {
    if ( i =='남자'){
      calculator_wknn <-c(calculator_wknn,1) 
    }
    else{
      calculator_wknn <-c(calculator_wknn,0)
    }
  }
  
  calculator_lda <-c()
  for (i in predict.lda_1) {
    if ( i =='남자'){
      calculator_lda <-c(calculator_lda,1) 
    }
    else{
      calculator_lda <-c(calculator_lda,0)
    }
  }  
  
  
  calculator_glm <-c()
  for ( i in predict.glm_1) {
    if (i =='남자'){
      calculator_glm <-c(calculator_glm,1)
    }
    else {
      calculator_glm <-c(calculator_glm,0)
    }
  }
  
  result = calculator_wknn + calculator_lda + calculator_glm
  result_vec <-c()
  
  for (i in result) {
    if (i == 2 | i == 3) {
      result_vec <-c(result_vec,"남자")
    }
    else {
      result_vec <-c(result_vec,"여자")
    }
  }
  
  return(result_vec)
 
}
 
voteClassifier('kknn','lda','glm')
# Fitting final model on full training set
# [1] "여자" "남자" "남자" "여자" "여자" "여자" "남자" "남자"
# [9] "여자" "여자" "남자" "남자" "남자" "남자" "남자" "여자"
# [17] "여자" "남자" "남자" "여자" "여자" "남자" "여자" "남자"
# [25] "여자" "남자" "남자" "남자" "남자" "남자" "남자" "남자"
# [33] "남자" "여자" "남자" "여자" "여자" "남자" "남자" "남자"
# [41] "여자" "여자" "남자" "남자" "남자" "남자" "남자" "남자"
# [49] "여자" "여자" "남자" "남자" "남자" "남자" "남자" "남자"
# [57] "남자" "여자" "남자" "여자" "남자" "여자" "남자" "남자"
# [65] "남자" "남자" "여자" "남자" "여자" "여자" "남자" "여자"
# [73] "남자" "남자" "남자" "남자" "남자" "남자" "남자" "여자"
# [81] "남자" "여자" "남자" "남자" "여자" "남자" "남자" "여자"
# [89] "여자" "남자" "남자" "남자" "남자" "남자" "여자" "남자"
# [97] "남자" "남자" "남자"
 
 
 
 
  ######### 일반화 vote classifier_general
  #voteClassifier_general (a : formula (y~x),
  #b : Dependent variable, 종속변수
  #c : train data, 학습 데이터
  #d : test data, 예측 데이터
  #e : method, 학습할 모델들!
  #f : cv option, trControl 옵션!
  #g : majority option, method가 짝수개인 경우 절반값을 예측한 경우 어디로 부여할지를 결정
 
  # ex) ("knn","lda","qda","glm")과 같이 짝수로 모델이 들어오고
  #  여 남 남 여와 같이 예측한 경우
  #  TRUE로 지정하면 factor의 첫번째 levels로 (남)
  #  FALSE로 지정하면 factor의 두번째 levels로 (여)
# 주어진 데이터에서 여성의 비율이 더 낮기 때문에 동일하게 예측한 경우 여성으로 분류하도록 default를 FALSE로 조정
voteClassifier_general <- function(a,b,c,d,e,f,g = FALSE) {
  # 학습 부분
  for (i in 1:length(e)) {
    assign(paste("train.",i,sep=""),train(a,c, method = e[i], trControl = f))
  }
  
  # 예측 부분
  for (i in 1:length(e)) {
    assign(paste("predict.",i,sep=""),predict.train(get(paste("train.",i,sep="")),d))
  }
  
  # predict count 부분
  predict.all <- data.frame(rep(0,nrow(d)))
  for (i in 1:length(e)) {
    predict.all[,i] <- get(paste("predict.",i,sep=""))  
  }
  
  b <- as.factor(b)
  if (g == TRUE) {
    vote.predict <- ifelse(rowSums(predict.all == levels(b)[1]) >= length(e)/2,levels(b)[1],levels(b)[2])
  } else {
    vote.predict <- ifelse(rowSums(predict.all == levels(b)[1]) > length(e)/2,levels(b)[1],levels(b)[2])
  }
  vote.predict <- as.factor(vote.predict)
  # 최종 결과물 반환
  return(vote.predict)
}
# ex
a <- gen~DT+PV+COV+Day
b <- pro.train$gen
c <- pro.train
d <- pro.test[-1]
e <- c("knn","kknn","glm","lda","qda")
f <- trainControl(method = "cv", number = 5, verbose = T)
voteClassifier_general(a,b,c,d,e,f,FALSE)
 
# Fitting final model on full training set
# [1] 남자 남자 남자 남자 남자 여자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자
# [19] 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자
# [37] 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 여자 남자 남자 남자 남자 남자
# [55] 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자
# [73] 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자 남자
# [91] 남자 남자 남자 남자 남자 여자 남자 남자 남자
# Levels: 남자 여자
Colored by Color Scripter
cs
Colored by Color Scripter
cs