Tidymodels

¿Porqué tidymodels?

Tidymodels es en realidad un conjunto de paquetes de R que, al igual que Tidyverse, busca unificar la sintaxis y modo de uso al alrededor del modelado estadístico de datos. A diferencia de Tidyverse, Tidymodels no implementa nuevas maneras de, por ejemplo, aplicar el modelo lineal, si no que genera una interfaz única a partir de la cual utilizar las funciones que ya existen. De la misma manera, la salida que genera es consistente a lo largo de distintos modelos e implementaciones, y mejor aún en formato tidy.

Los principales paquete de Tidymodels

rsample	Para dividir y hacer remuestreo de los datos
recipes	Preprocesamiento de los datos de manera ordenada y reproducible
parsnip	Interfaz unificada para modelar datos
workflows	Organiza el preprocesamiento, el modelado y postprocesa
yardstick	Mide la efectividad de los modelos
broom	Resume la salida de modelos en formato tidy

pero hay muchos otros con objetivos específicos que completan el universo de tidymodels.

El proceso de modelado de datos

• Cómo aprovechar los datos: es importante hacer un “presupuesto” para planificar cómo vamos a usar los datos. Necesitamos dividir los datos en (al menos) entrenamiento y testeo. Usaremos rsample para esta tarea.

• Qué modelo utilizar: la mayoría de las veces no sabremos cual es el mejor modelo a aplicar, dependerá en parte de nuestro objetivo: queremos hacer describir, hacer inferencias o predecir a partir de los datos?

• La verificación: es importante hacer una verificación tanto cualitativa (visual) como cuantitativa con los el subset de testeo, pero nunca con los datos de entrenamiento!

El proceso de modelado

Datos de cultivos

cultivos <- read_csv("https://raw.githubusercontent.com/paocorrales/intro-tidymodels-agro/main/datos/cultivos.csv")
head(cultivos)  %>%
  gt::gt()

floracion_dias	altura_cm	densidad_sem	rendimiento	aceite_porcentaje	campania	tipo_ensayo	epoca	distancia_entre_surcos	tipo_siembra	testigo	visible	cultivar
35	151	39870	2566	36.70	2006-2007	Convencional	Normal	70	Convencional	NO	SI	PROTON ER 301
48	165	69650	2006	39.85	2007-2008	Convencional	Normal	52	Directa	NO	SI	AGROBEL 963
48	160	53115	1787	44.88	2007-2008	Convencional	Normal	52	Directa	NO	SI	PARAISO 55
48	185	71319	2138	40.67	2007-2008	Convencional	Normal	52	Directa	NO	SI	PARAISO 22
48	185	55153	2383	37.94	2007-2008	Convencional	Normal	52	Directa	NO	SI	KWSOL TROPEL
49	155	53571	3167	45.70	2010-2011	Convencional	Normal	52	Directa	NO	SI	DEKASOL 3910 CL

La variable a predecir: aceite_porcentaje

cultivos %>% 
  ggplot(aes(aceite_porcentaje)) +
  geom_histogram(color = "white") +
  geom_rug(alpha = 0.1)

El paso a paso

El presupuesto de datos

set.seed(91)
cultivos_split <- initial_split(cultivos, 
                           prop = 3/4)

cultivos_train <- training(cultivos_split)
cultivos_test <- testing(cultivos_split)

La receta: preparación de los datos

receta_aceite <- 
  recipe(aceite_porcentaje ~ ., data = cultivos_train) %>% 
  step_dummy(all_factor_predictors()) %>% 
  step_zv(all_predictors()) %>% 
  step_interact(~ starts_with("densidad_sem"):starts_with("tipo_siembra")) %>% 
  step_normalize(all_numeric_predictors())

El modelo

modelo_lineal <- 
  linear_reg() %>% 
  set_engine("lm")

El workflow

wflow_lm <- 
  workflow() %>% 
  add_model(modelo_lineal) %>% 
  add_recipe(receta_aceite)

“Entrenamos el modelo”

modelo_fit <- fit(wflow_lm, data = cultivos_train)

El modelo hace predicciones

mean_predict <- predict(modelo_fit, new_data = cultivos_test) 

aceite_predic <- 
  cultivos_test %>% 
  bind_cols(mean_predict) 

ggplot(aceite_predic, aes(aceite_porcentaje, .pred)) +
  geom_abline(slope = 1, intercept = 0, color = "darkorange") +
      geom_point(alpha = 0.1) +
  geom_smooth(method = "lm") +
  labs(x = "Observado", y = "Predicho") +
  coord_equal(xlim = c(29,60), ylim = c(29, 60))

rmse(aceite_predic, aceite_porcentaje, .pred)$.estimate #Error cuadrático medio

[1] 3.07577