exemplos da aula

exemplos_de_aula/01-tidymodels.R

@@ -0,0 +1,79 @@
+# Pacotes -----------------------------------------------------------------
+
+# install.packages("tidymodels")
+
+library(tidymodels)
+library(skimr)
+
+# Carregando dados --------------------------------------------------------
+
+data("diamonds")
+
+# Analise exploratória ----------------------------------------------------
+
+diamonds_sem_x_0 <- diamonds |>
+  filter(x > 0)
+
+skim(diamonds)
+
+qplot(x, price, data = diamonds_sem_x_0)
+qplot(x, log(price), data = diamonds_sem_x_0)
+
+# nossa missão:
+# ao invés de fazer lm(log(price) ~ x)
+# vou usar o tidymodels para isso e vamos entender a sintaxe básica
+
+# todo "modelo" de machine learning pode ser "generalizado" nos componentes:
+# 1. pré-processamento
+# 2. especificação: tipo de modelo
+# outro dia vamos estudar o 1, aqui vamos estudar o 2. especificação
+
+
+# especificacao -----------------------------------------------------------
+
+# especificacao_modelo <- linear_reg() |>
+#   set_engine("lm") |>
+#   set_mode("regression")
+
+especificacao_modelo <- decision_tree() |>
+  set_engine("rpart") |>
+  set_mode("regression")
+
+# vantagem do tidymodels: fica muito prático usar uma mesma sintaxe
+# para ajustar qualquer tipo de modelo.
+
+# isso é bom pra comparar modelos diferentes
+# é bom pro caso da gente conseguir encaixar vários
+# modelos diferentes no mesmo contexto
+
+# ajuste do modelo --------------------------------------------------------
+
+dados_modelo <- diamonds_sem_x_0 |>
+  mutate(log_price = log(price)) |>
+  select(x, log_price)
+
+modelo_ajustado <- fit(especificacao_modelo, log_price ~ x, data = dados_modelo)
+# dentro desse objeto ^ está a curva colorida que desenhamos nos slides
+# a linha acima é a aplicaçaõ do algoritmo de machine learning
+# que pega os dados e faz a melhor rota
+
+# usos possíveis do modelo:
+
+# 1. salvar e usar em outro código:
+saveRDS(modelo_ajustado, "exemplos_de_aula/modelo_ajustado.rds")
+# agora vou usar no outro script
+
+
+# 2. analisar o resultado do modelo
+
+dados_modelo_com_previsao <- dados_modelo |>
+  mutate(
+    log_price_chapeu = predict(modelo_ajustado, dados_modelo)$.pred
+  )
+
+dados_modelo_com_previsao |>
+  ggplot(aes(x = x , y = log_price)) +
+  geom_point() +
+  geom_line(aes(y = log_price_chapeu), color = 'red')
+
+

exemplos_de_aula/02-tidymodels_apenas_aplicacao.R

@@ -0,0 +1,11 @@
+# Pacotes -----------------------------------------------------------------
+
+library(tidymodels)
+
+# Lê modelo ---------------------------------------------------------------
+
+modelo_ajustado <- readRDS("exemplos_de_aula/modelo_ajustado.rds")
+
+# Aplica o modelo
+
+predict(modelo_ajustado, new_data = tibble(x = 10))