Oficina de análise de dados NIR em ambiente R
Partes 4—5 - LDA e PLS
Ricardo Perdiz (Luz da Floresta) | 2021/07/02
COVID19
1 / 53

COVID19

Sumário

Recapitulação do primeiro dia

2 / 53

COVID19

Análise de dados NIR em R

Sumário

Recapitulação do primeiro dia

Interface para análise de dados do caret

2 / 53

COVID19

Análise de dados NIR em R

Sumário

Recapitulação do primeiro dia

Interface para análise de dados do caret

Análise discriminante linear (LDA)

2 / 53

COVID19

Análise de dados NIR em R

Sumário

Recapitulação do primeiro dia

Interface para análise de dados do caret

Análise discriminante linear (LDA)

Análise de mínimos quadrados parciais (PLS)

2 / 53

COVID19

Análise de dados NIR em R

Recapitulação

Manipulação de dados utilizando o dplyr

Preparação de dados pré-análise

PCA

Figura de Wickham, H. e Grolemund, G. (2016) http://r4ds.had.co.nz.

3 / 53

COVID19

Análise de dados NIR em R

Importando dados para a oficina

Opção 1 - Dados `iris`

dados <- iris

Opção 2 - Importação de dados próprios

library("data.table")
dados <- fread("MEUSDADOS.csv")

Opção 3 - Conjunto de dados `nir_data`¹, que acompanha o pacote `NIRtools`².

dados <-
  fread("https://raw.githubusercontent.com/ricoperdiz/NIRtools/master/inst/extdata/nir_data.csv")

4 / 53

COVID19

Análise de dados NIR em R

Transformação do `data.frame` em um `tibble`¹

library("tibble")
dados <- as_tibble(dados)
dados

## # A tibble: 150 × 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##           <dbl>       <dbl>        <dbl>       <dbl> <fct>  
##  1          5.1         3.5          1.4         0.2 setosa 
##  2          4.9         3            1.4         0.2 setosa 
##  3          4.7         3.2          1.3         0.2 setosa 
##  4          4.6         3.1          1.5         0.2 setosa 
##  5          5           3.6          1.4         0.2 setosa 
##  6          5.4         3.9          1.7         0.4 setosa 
##  7          4.6         3.4          1.4         0.3 setosa 
##  8          5           3.4          1.5         0.2 setosa 
##  9          4.4         2.9          1.4         0.2 setosa 
## 10          4.9         3.1          1.5         0.1 setosa 
## # ℹ 140 more rows

Este passo NÃO É NECESSÁRIO. Ele facilita apenas a visualização dos dados no console, e indica o tipo de cada variável em seu conjunto de dados. Saiba mais sobre um tibble em https://r4ds.had.co.nz/tibbles.html.

5 / 53

COVID19

Análise de dados NIR em R

Atenção!!!

Nova variável de nome de espécies

Em casos em que a variável contendo o nome da espécie apresente espaços, pontos . e/ou sinais diferentes, é necessário limparmos essa variável caso desejemos reter os valores de probabilidade atribuídos a cada espécie ao utilizarmos o caret. Em casos assim, podemos tomar o procedimento abaixo:

library("dplyr")

dados$SP1 <- 
  case_when(
  dados$SP1 == "P. aracouchini" ~ "arac",
  dados$SP1 == "P. calanense" ~ "cala"
) %>% 
  as.factor(.)

6 / 53

COVID19

Análise de dados NIR em R

Pré-processamento dos dados

7 / 53

COVID19

Análise de dados NIR em R

Pré-processamento dos dados

Divisão dos dados em `treino` e `teste`

library("rsample") # initial_split
dados_split <- initial_split(dados, strata = "Species")
treino <- training(dados_split)
teste <- testing(dados_split)

7 / 53

COVID19

Análise de dados NIR em R

Criação e preparo da receita

library("recipes")
treino_receita <- 
  recipes::recipe(Species ~ ., data = treino) %>% 
  prep()
treino_receita

##

## ── Recipe ────────────────────────────────────────────────────

##

## ── Inputs

## Number of variables by role

## outcome:   1
## predictor: 4

##

## ── Training information

## Training data contained 111 data points and no incomplete
## rows.

8 / 53

COVID19

Análise de dados NIR em R

PCA

I - PCA com todos os dados?

Primeiro, criamos uma receita indicando no argumento data o nome de nosso conjunto de dados. Depois fazemos as devidas atualizações dos papéis das variáveis que não são nem preditoras nem resposta com a função update_role(). Em seguida, executamos a PCA com a função step_pca() para todas as variáveis NIR, utilizando a função auxiliar all_predictors() para, por fim, prepararmos a receita com a função prep().

Depois, é só plotar os dados espremendo a receita, o que vai gerar uma PCA com os dados completos.

9 / 53

COVID19

Análise de dados NIR em R

I - PCA com todos os dados?

dados_completos_receita_pca_pre <- 
  recipes::recipe(Species ~ ., data = dados) %>% 
  step_normalize(all_predictors()) %>% 
  step_pca(all_predictors()) %>% 
  prep()
dados_completos_receita_pca_pre

##

## ── Recipe ────────────────────────────────────────────────────

##

## ── Inputs

## Number of variables by role

## outcome:   1
## predictor: 4

##

## ── Training information

## Training data contained 150 data points and no incomplete
## rows.

##

## ── Operations

## • Centering and scaling for: Sepal.Length, ... | Trained

## • PCA extraction with: Sepal.Length, ... | Trained

10 / 53

COVID19

Análise de dados NIR em R

II - PCA com todos os dados?

pca_tabela <- tidy(dados_completos_receita_pca_pre, 2)
pca_tabela

## # A tibble: 16 × 4
##    terms          value component id       
##    <chr>          <dbl> <chr>     <chr>    
##  1 Sepal.Length  0.521  PC1       pca_f6kUq
##  2 Sepal.Width  -0.269  PC1       pca_f6kUq
##  3 Petal.Length  0.580  PC1       pca_f6kUq
##  4 Petal.Width   0.565  PC1       pca_f6kUq
##  5 Sepal.Length -0.377  PC2       pca_f6kUq
##  6 Sepal.Width  -0.923  PC2       pca_f6kUq
##  7 Petal.Length -0.0245 PC2       pca_f6kUq
##  8 Petal.Width  -0.0669 PC2       pca_f6kUq
##  9 Sepal.Length  0.720  PC3       pca_f6kUq
## 10 Sepal.Width  -0.244  PC3       pca_f6kUq
## 11 Petal.Length -0.142  PC3       pca_f6kUq
## 12 Petal.Width  -0.634  PC3       pca_f6kUq
## 13 Sepal.Length  0.261  PC4       pca_f6kUq
## 14 Sepal.Width  -0.124  PC4       pca_f6kUq
## 15 Petal.Length -0.801  PC4       pca_f6kUq
## 16 Petal.Width   0.524  PC4       pca_f6kUq

11 / 53

COVID19

Análise de dados NIR em R

III - PCA com todos os dados?

Variação das PC's

sdev_pca_normalizada <- dados_completos_receita_pca_pre$steps[[2]]$res$sdev
porcent_variacao_normalizada <- sdev_pca_normalizada^2 / sum(sdev_pca_normalizada^2)
pca_normalizada_variacao <- 
  data.frame(
    pcs = unique(pca_tabela$component),
    variacao_porcentagem = porcent_variacao_normalizada*100,
    variacao_cumulativa = cumsum(porcent_variacao_normalizada*100)
  )
pca_normalizada_variacao

##   pcs variacao_porcentagem variacao_cumulativa
## 1 PC1           72.9624454            72.96245
## 2 PC2           22.8507618            95.81321
## 3 PC3            3.6689219            99.48213
## 4 PC4            0.5178709           100.00000

12 / 53

COVID19

Análise de dados NIR em R

IV - PCA com todos os dados?

Plotando PCA com dados completos

library("ggplot2")
pc1 <- filter(pca_normalizada_variacao, pcs == "PC1")
pc2 <- filter(pca_normalizada_variacao, pcs == "PC2")
juice(dados_completos_receita_pca_pre) %>%
  ggplot(aes(PC1, PC2)) +
  geom_point(aes(color = Species), alpha = 0.7, size = 2) +
  xlab(paste0("PC1 (", round(pc1$variacao_porcentagem, 2), "%)")) +
  ylab(paste0("PC2 (", round(pc2$variacao_porcentagem, 2), "%)"))

13 / 53

COVID19

Análise de dados NIR em R

Pacote caret - Classification And REgression Training (Kuhn 2021)

14 / 53

COVID19

Análise de dados NIR em R

Interface para análise de dados do caret

O pacote contem funções para simplificar tanto o treinamento de modelos para regressões e análises de classificação como a avaliação da efetividade dos modelos gerados.

15 / 53

COVID19

Análise de dados NIR em R

Interface para análise de dados do caret

O pacote contem funções para simplificar tanto o treinamento de modelos para regressões e análises de classificação como a avaliação da efetividade dos modelos gerados.

Fluxo de processamento e análise de dados

15 / 53

COVID19

Análise de dados NIR em R

Interface para análise de dados do caret

O pacote contem funções para simplificar tanto o treinamento de modelos para regressões e análises de classificação como a avaliação da efetividade dos modelos gerados.

Fluxo de processamento e análise de dados

Duas funções básicas:

caret::train()
caret::trainControl()

15 / 53

COVID19

Análise de dados NIR em R

Fluxograma de um perfil básico de análise

16 / 53

COVID19

Análise de dados NIR em R

Análise discriminante linear (LDA)

Método de redução de dimensões ao mesmo tempo em que se retem o máximo de informação possível. O método ajuda a achar a combinação linear das variáveis originais que providenciam a melhor separação entre os grupos.¹

17 / 53

COVID19

Análise de dados NIR em R

Análise discriminante linear (LDA)

17 / 53

COVID19

Análise de dados NIR em R

Análise discriminante linear (LDA)

Utilizada quando a variável dependente é categórica, e as variáveis independentes são quantitativas.

17 / 53

COVID19

Análise de dados NIR em R

Análise discriminante linear (LDA)

Utilizada quando a variável dependente é categórica, e as variáveis independentes são quantitativas.

Em R, utilizamos a função lda() do pacote MASS (Venables e Ripley 2002)².

17 / 53

COVID19

Análise de dados NIR em R

Análise discriminante linear (LDA)

Utilizada quando a variável dependente é categórica, e as variáveis independentes são quantitativas.

Em R, utilizamos a função lda() do pacote MASS (Venables e Ripley 2002)².

Usando o caret, a função é a mesma, porém dentro de uma interface comum a vários métodos diferentes³.

library("MASS")

Fávero, L. P., Belfiore, P., Silva, F. L. e Chan, B.L. (2009) Análise de dados: Modelagem multivariada para tomada de decisões. Rio de Janeiro: Elsevier.
Venables, W. N. e Ripley, B. D. (2002) Modern Applied Statistics with S. Fourth Edition.
Lista completa de modelos aceitos no caret: https://topepo.github.io/caret/available-models.html.

17 / 53

COVID19

Análise de dados NIR em R

Premissas¹

Normalidade multivariada
Homogeneidade de variância/covariância
Independência entre as observações

18 / 53

COVID19

Análise de dados NIR em R

Premissas¹

Normalidade multivariada
Homogeneidade de variância/covariância
Independência entre as observações

Multicolinearidade pode diminuir o poder preditivo da classificação pois viola a independência das observações.

Fávero, L. P., Belfiore, P., Silva, F. L. e Chan, B.L. (2009) Análise de dados: Modelagem multivariada para tomada de decisões. Rio de Janeiro: Elsevier.

18 / 53

COVID19

Análise de dados NIR em R

Um exemplo - I - Execução

Receita criada no slide Criação da receita.

library("caret")

ldafit_cvsimples <-
  train(
    treino_receita, treino,
    method = "lda",
    metric = "Accuracy"
  )

19 / 53

COVID19

Análise de dados NIR em R

Checagem de resultados

ldafit_cvsimples

## Linear Discriminant Analysis 
## 
## 111 samples
##   4 predictor
##   3 classes: 'setosa', 'versicolor', 'virginica' 
## 
## Recipe steps:  
## Resampling: Bootstrapped (25 reps) 
## Summary of sample sizes: 111, 111, 111, 111, 111, 111, ... 
## Resampling results:
## 
##   Accuracy   Kappa    
##   0.9754789  0.9627761

20 / 53

COVID19

Análise de dados NIR em R

Um exemplo - II - Medindo performance do `treino`

getTrainPerf(ldafit_cvsimples)

##   TrainAccuracy TrainKappa method
## 1     0.9754789  0.9627761    lda

21 / 53

COVID19

Análise de dados NIR em R

Um exemplo - III - Predições e performance em `teste`

predicao_lda_basico <- 
  ldafit_cvsimples %>%
  predict(., newdata = teste)
predicao_lda_basico

##  [1] setosa     setosa     setosa     setosa     setosa    
##  [6] setosa     setosa     setosa     setosa     setosa    
## [11] setosa     setosa     setosa     versicolor versicolor
## [16] versicolor versicolor versicolor versicolor versicolor
## [21] versicolor versicolor versicolor versicolor versicolor
## [26] versicolor virginica  virginica  virginica  virginica 
## [31] virginica  virginica  virginica  virginica  virginica 
## [36] virginica  virginica  virginica  virginica 
## Levels: setosa versicolor virginica

22 / 53

COVID19

Análise de dados NIR em R

Um exemplo - III - Predições e performance em `teste`

Código

confusionMatrix(data = predicao_lda_basico, reference = teste$Species)

Resultado

Para entender métricas de performance: https://topepo.github.io/caret/measuring-performance.html#class.

23 / 53

COVID19

Análise de dados NIR em R

Um exemplo - IV - Matriz de confusão

Função confusao_lab() do pacote NIRtools¹. Caso não consigam ou não desejem instalar o pacote, basta fazer um source():

source("https://raw.githubusercontent.com/ricoperdiz/NIRtools/master/R/confusion_matrix.R")

par(mar = c(1, 5, 5, 1))
table(teste$Species, predicao_lda_basico) %>% 
  confusao_lab(.)

Perdiz (2021) https://github.com/ricoperdiz/NIRtools

24 / 53

COVID19

Análise de dados NIR em R

Argumentos¹ para criação de modelos com a função `trainControl()`

method: boot, cv, LOOCV, LGOCV, repeatedcv e none (há mais opções!)
number e repeats: primeiro controla o número de divisões em cv/repeatedcv OU número de iterações para bootstrap e LOOCV; segundo se aplica somente ao k-fold.
verboseIter: Mostra um log
returnData: Retorna os dados que servem de entrada?
p: Porcentagem em LGOCV
classProbs: valor lógico para determinar se as probabilidades de atribuição a cada classe devem ser calculadas
returnResamp: all, final or none
allowParallel: Paraleliza?

Para uma lista completa, acesse a ajuda da função: ?trainControl

25 / 53

COVID19

Análise de dados NIR em R

Prática com `trainControl()`

Validação cruzada simples - `cv`

ctrl_cv <- 
  trainControl(method = "cv",
               number = 10, # faz uma validacao 10-fold
               verboseIter = FALSE,
               returnData = TRUE, # Nao importante! Pode ser falso
               classProbs = TRUE,
               savePredictions = "all")

ldafit_cv_10fold <- 
  train(
    treino_receita, treino,
    method = "lda",
    trControl = ctrl_cv,
    metric = "Accuracy" # em classificacoes, dois valores sao possiveis: Accuracy ou Kappa
  )

26 / 53

COVID19

Análise de dados NIR em R

Acessando o resultado de `train()` - I

names(ldafit_cv_10fold)

##  [1] "method"       "modelInfo"    "modelType"   
##  [4] "recipe"       "results"      "pred"        
##  [7] "bestTune"     "call"         "dots"        
## [10] "metric"       "control"      "finalModel"  
## [13] "trainingData" "resample"     "resampledCM" 
## [16] "perfNames"    "maximize"     "yLimits"     
## [19] "times"        "levels"       "rs_seed"

Para acessar as informações, basta executar um dos comandos abaixo:

ldafit_cv_10fold$method # metodo utilizado 
ldafit_cv_10fold$modelInfo # info do modelo
ldafit_cv_10fold$modelType # tipo de modelo
ldafit_cv_10fold$bestTune
ldafit_cv_10fold$call # formula utilizada em train()
ldafit_cv_10fold$dots # se verbose == TRUE ou FALSE
ldafit_cv_10fold$resample # estatisticas em cada reamostragem
ldafit_cv_10fold$metric # qual metrica utilizada em train()
ldafit_cv_10fold$control # especificacoes de trainControl()

27 / 53

COVID19

Análise de dados NIR em R

Acessando o resultado de `train()` - II - Predições

ldafit_cv_10fold$pred %>% 
  filter(obs != pred)

##          obs rowIndex       pred       setosa versicolor
## 1 versicolor       64  virginica 7.082366e-31  0.1304324
## 2  virginica       99 versicolor 6.506261e-27  0.8282785
##   virginica parameter Resample
## 1 0.8695676      none   Fold07
## 2 0.1717215      none   Fold10

28 / 53

COVID19

Análise de dados NIR em R

Acessando o resultado de `train()` - IV - resultados

ldafit_cv_10fold$results

##   parameter  Accuracy     Kappa AccuracySD    KappaSD
## 1      none 0.9818182 0.9723259 0.03833064 0.05834346

29 / 53

COVID19

Análise de dados NIR em R

Acessando o resultado de `train()` - V - Modelo final

Resultado da LDA, caso fizéssemos uso da função lda(), referente ao modelo final:

ldafit_cv_10fold$finalModel

## Call:
## lda(x, y)
## 
## Prior probabilities of groups:
##     setosa versicolor  virginica 
##  0.3333333  0.3333333  0.3333333 
## 
## Group means:
##            Sepal.Length Sepal.Width Petal.Length Petal.Width
## setosa         5.029730    3.440541     1.481081   0.2459459
## versicolor     5.972973    2.751351     4.254054   1.3162162
## virginica      6.610811    2.989189     5.616216   2.0405405
## 
## Coefficients of linear discriminants:
##                     LD1        LD2
## Sepal.Length  0.9107941 -0.6076288
## Sepal.Width   1.3721594  2.7462192
## Petal.Length -2.1944206 -0.2260993
## Petal.Width  -2.8023531  1.9159240
## 
## Proportion of trace:
##    LD1    LD2 
## 0.9893 0.0107

30 / 53

COVID19

Análise de dados NIR em R

Medindo performance do `treino`

getTrainPerf(ldafit_cv_10fold)

##   TrainAccuracy TrainKappa method
## 1     0.9818182  0.9723259    lda

31 / 53

COVID19

Análise de dados NIR em R

Predições e performance em `teste`

Código

predicao_lda_cv_10fold <- 
  ldafit_cv_10fold %>%
  predict(., newdata = teste)
confusionMatrix(data = predicao_lda_cv_10fold, reference = teste$Species)

Resultado

32 / 53

COVID19

Análise de dados NIR em R

Matriz de confusão

Função confusao_lab() do pacote NIRtools¹.

par(mar = c(1, 5, 5, 1))
table(teste$Species, predicao_lda_basico) %>% 
  NIRtools::confusao_lab(., add_CP = TRUE)

Perdiz (2021) https://github.com/ricoperdiz/NIRtools

33 / 53

COVID19

Análise de dados NIR em R

Validação cruzada repetida - `repeatedcv`

ctrl_lda_repeatedcv <-
  trainControl(
    method = "repeatedcv",
    number = 10, # faz uma validacao 10-fold
    repeats = 10,
    verboseIter = FALSE,
    returnData = FALSE, # Nao importante! Pode ser falso
    classProbs = TRUE,
    savePredictions = "all"
  )

ldafit_repeatedcv_10fold_10vezes <- 
  train(
    treino_receita, treino,
    method = "lda",
    trControl = ctrl_lda_repeatedcv,
    metric = "Accuracy" # em classificacoes, dois valores sao possiveis: Accuracy ou Kappa
  )

34 / 53

COVID19

Análise de dados NIR em R

Receitas de pré-processamento e o caret

Por que aprender isso?

35 / 53

COVID19

Análise de dados NIR em R

Receitas de pré-processamento e o caret

Por que aprender isso?

Mais possibilidades no pré-processamento dos dados

Manter variáveis adicionais para medir performance

35 / 53

COVID19

Análise de dados NIR em R

E o caret sem receita, pode?

36 / 53

COVID19

Análise de dados NIR em R

E o caret sem receita, pode?

Pode!

Execução

resultado_lda_sem_receita_basico <-
  train(
    Species ~ .,
    data = treino,
    method = "lda",
    metric = "Accuracy"
  )

Checagem de resultado

print(resultado_lda_sem_receita_basico)

## Linear Discriminant Analysis 
## 
## 111 samples
##   4 predictor
##   3 classes: 'setosa', 'versicolor', 'virginica' 
## 
## No pre-processing
## Resampling: Bootstrapped (25 reps) 
## Summary of sample sizes: 111, 111, 111, 111, 111, 111, ... 
## Resampling results:
## 
##   Accuracy   Kappa    
##   0.9667379  0.9495212

36 / 53

COVID19

Análise de dados NIR em R

Medindo performance do `treino`

getTrainPerf(resultado_lda_sem_receita_basico)

##   TrainAccuracy TrainKappa method
## 1     0.9667379  0.9495212    lda

37 / 53

COVID19

Análise de dados NIR em R

Predições e performance em `teste`

predicao_lda_sem_receita_basico <- 
  resultado_lda_sem_receita_basico %>%
  predict(., newdata = teste)
confusionMatrix(data = predicao_lda_sem_receita_basico, reference = teste$Species)

## Confusion Matrix and Statistics
## 
##             Reference
## Prediction   setosa versicolor virginica
##   setosa         13          0         0
##   versicolor      0         13         0
##   virginica       0          0        13
## 
## Overall Statistics
##                                      
##                Accuracy : 1          
##                  95% CI : (0.9097, 1)
##     No Information Rate : 0.3333     
##     P-Value [Acc > NIR] : < 2.2e-16  
##                                      
##                   Kappa : 1          
##                                      
##  Mcnemar's Test P-Value : NA         
## 
## Statistics by Class:
## 
##                      Class: setosa Class: versicolor
## Sensitivity                 1.0000            1.0000
## Specificity                 1.0000            1.0000
## Pos Pred Value              1.0000            1.0000
## Neg Pred Value              1.0000            1.0000
## Prevalence                  0.3333            0.3333
## Detection Rate              0.3333            0.3333
## Detection Prevalence        0.3333            0.3333
## Balanced Accuracy           1.0000            1.0000
##                      Class: virginica
## Sensitivity                    1.0000
## Specificity                    1.0000
## Pos Pred Value                 1.0000
## Neg Pred Value                 1.0000
## Prevalence                     0.3333
## Detection Rate                 0.3333
## Detection Prevalence           0.3333
## Balanced Accuracy              1.0000

38 / 53

COVID19

Análise de dados NIR em R

Matriz de confusão

Função confusao_lab() do pacote NIRtools¹.

par(mar = c(1, 5, 5, 1))
table(teste$Species, predicao_lda_sem_receita_basico) %>% 
  NIRtools::confusao_lab(.)

Perdiz (2021) https://github.com/ricoperdiz/NIRtools

39 / 53

COVID19

Análise de dados NIR em R

Análise de mínimos quadrados parciais (PLS)

Método muito utilizado na quimiometria, especialmente quando o número de variáveis preditoras é significantemente maior que o número de observações.

40 / 53

COVID19

Análise de dados NIR em R

Análise de mínimos quadrados parciais (PLS)

Método muito utilizado na quimiometria, especialmente quando o número de variáveis preditoras é significantemente maior que o número de observações.

Baseia-se em variáveis latentes, em que cada fator é definido como uma combinação linear das variáveis originais das variáveis preditoras ou variável resposta.

40 / 53

COVID19

Análise de dados NIR em R

Análise de mínimos quadrados parciais (PLS)

Método muito utilizado na quimiometria, especialmente quando o número de variáveis preditoras é significantemente maior que o número de observações.

Baseia-se em variáveis latentes, em que cada fator é definido como uma combinação linear das variáveis originais das variáveis preditoras ou variável resposta.

library("pls")

Kuhn (2021) https://topepo.github.io/caret/using-your-own-model-in-train.html#illustrative-example-4-pls-feature-extraction-pre-processing.

40 / 53

COVID19

Análise de dados NIR em R

PLS com o pacote `caret`

41 / 53

COVID19

Análise de dados NIR em R

PLS com o pacote `caret`

Dados

Mesmo conjunto de dados utilizado anteriormente. Coloco aqui para facilitar a preparação dos dados para a PLS.

dados <- iris
dados <- as_tibble(dados)
dados_split <- initial_split(dados, strata = "Species")
treino <- training(dados_split)
teste <- testing(dados_split)
treino_receita <- 
  recipes::recipe(Species ~ ., data = treino) %>% 
  prep()

41 / 53

COVID19

Análise de dados NIR em R

Execução

ctrl_exemplo_pls <-
  trainControl(
    method = "repeatedcv",
    number = 10,
    repeats = 10,
    verboseIter = FALSE,
    savePredictions = "final")

plsfit_exemplo <-
  train(
    treino_receita, treino,
    method = "pls",
    metric = "Accuracy",
    trControl = ctrl_exemplo_pls,
    tuneLength = 3
  )

42 / 53

É importante comentar sobre a utilidade do argumento tuneGrid da função train() quando executamos uma PLS.

Também comentar sobre a possibilidade de paralelização da análise por meio do pacote paralell e a função registerDoParallel.

COVID19

Análise de dados NIR em R

Checando o resultado

plsfit_exemplo

## Partial Least Squares 
## 
## 111 samples
##   4 predictor
##   3 classes: 'setosa', 'versicolor', 'virginica' 
## 
## Recipe steps:  
## Resampling: Cross-Validated (10 fold, repeated 10 times) 
## Summary of sample sizes: 99, 99, 99, 101, 100, 99, ... 
## Resampling results across tuning parameters:
## 
##   ncomp  Accuracy   Kappa    
##   1      0.6704242  0.5055691
##   2      0.7864798  0.6787244
##   3      0.7934949  0.6889434
## 
## Accuracy was used to select the optimal model using
##  the largest value.
## The final value used for the model was ncomp = 3.

43 / 53

COVID19

Análise de dados NIR em R

Acurácia por número de componentes

plot(plsfit_exemplo)

44 / 53

COVID19

Análise de dados NIR em R

Predições e performance

plsfit_exemplo %>%
  predict(newdata = teste) %>% 
  confusionMatrix(data = ., reference = teste$Species)

## Confusion Matrix and Statistics
## 
##             Reference
## Prediction   setosa versicolor virginica
##   setosa         13          0         0
##   versicolor      0          8         3
##   virginica       0          5        10
## 
## Overall Statistics
##                                          
##                Accuracy : 0.7949         
##                  95% CI : (0.6354, 0.907)
##     No Information Rate : 0.3333         
##     P-Value [Acc > NIR] : 4.429e-09      
##                                          
##                   Kappa : 0.6923         
##                                          
##  Mcnemar's Test P-Value : NA             
## 
## Statistics by Class:
## 
##                      Class: setosa Class: versicolor
## Sensitivity                 1.0000            0.6154
## Specificity                 1.0000            0.8846
## Pos Pred Value              1.0000            0.7273
## Neg Pred Value              1.0000            0.8214
## Prevalence                  0.3333            0.3333
## Detection Rate              0.3333            0.2051
## Detection Prevalence        0.3333            0.2821
## Balanced Accuracy           1.0000            0.7500
##                      Class: virginica
## Sensitivity                    0.7692
## Specificity                    0.8077
## Pos Pred Value                 0.6667
## Neg Pred Value                 0.8750
## Prevalence                     0.3333
## Detection Rate                 0.2564
## Detection Prevalence           0.3846
## Balanced Accuracy              0.7885

45 / 53

COVID19

Análise de dados NIR em R

Validação cruzada Leave-one-out - `LOOCV`

ctrl_loocv <-
  trainControl(
    method = "LOOCV",
    verboseIter = FALSE,
    savePredictions = "final")

plsfit_exemplo_loocv <-
  train(
    treino_receita, treino,
    method = "pls",
    metric = "Accuracy",
    trControl = ctrl_loocv,
    tuneGrid = expand.grid(ncomp = 2)
  )

46 / 53

COVID19

Análise de dados NIR em R

Checagem de resultado

plsfit_exemplo_loocv

## Partial Least Squares 
## 
## 111 samples
##   4 predictor
##   3 classes: 'setosa', 'versicolor', 'virginica' 
## 
## Recipe steps:  
## Resampling: Leave-One-Out Cross-Validation 
## Summary of sample sizes: 110, 110, 110, 110, 110, 110, ... 
## Resampling results:
## 
##   Accuracy   Kappa    
##   0.7747748  0.6621622
## 
## Tuning parameter 'ncomp' was held constant at a value of 2

47 / 53

COVID19

Análise de dados NIR em R

Medindo performance do `treino`

getTrainPerf(plsfit_exemplo_loocv)

##   TrainAccuracy TrainKappa method
## 1     0.7747748  0.6621622    pls

48 / 53

COVID19

Análise de dados NIR em R

Predições e performance em `teste`

Código

predicao_plsfit_exemplo_loocv <- 
  plsfit_exemplo_loocv %>%
  predict(., newdata = teste)
confusionMatrix(data = predicao_plsfit_exemplo_loocv, reference = teste$Species)

## Confusion Matrix and Statistics
## 
##             Reference
## Prediction   setosa versicolor virginica
##   setosa         13          0         0
##   versicolor      0          9         2
##   virginica       0          4        11
## 
## Overall Statistics
##                                           
##                Accuracy : 0.8462          
##                  95% CI : (0.6947, 0.9414)
##     No Information Rate : 0.3333          
##     P-Value [Acc > NIR] : 5.641e-11       
##                                           
##                   Kappa : 0.7692          
##                                           
##  Mcnemar's Test P-Value : NA              
## 
## Statistics by Class:
## 
##                      Class: setosa Class: versicolor
## Sensitivity                 1.0000            0.6923
## Specificity                 1.0000            0.9231
## Pos Pred Value              1.0000            0.8182
## Neg Pred Value              1.0000            0.8571
## Prevalence                  0.3333            0.3333
## Detection Rate              0.3333            0.2308
## Detection Prevalence        0.3333            0.2821
## Balanced Accuracy           1.0000            0.8077
##                      Class: virginica
## Sensitivity                    0.8462
## Specificity                    0.8462
## Pos Pred Value                 0.7333
## Neg Pred Value                 0.9167
## Prevalence                     0.3333
## Detection Rate                 0.2821
## Detection Prevalence           0.3846
## Balanced Accuracy              0.8462

Resultado

49 / 53

COVID19

Análise de dados NIR em R

Matriz de confusão

Função confusao_lab() do pacote NIRtools¹.

par(mar = c(1, 5, 5, 1))
table(teste$Species, predicao_plsfit_exemplo_loocv) %>% 
  NIRtools::confusao_lab(.)

Perdiz (2021) https://github.com/ricoperdiz/NIRtools

50 / 53

COVID19

Análise de dados NIR em R

Resumo de construção e avaliação de modelos com a interface caret

trainControl() e train() - controla argumentos e treina modelos
getTrainPerf() avalia o modelo com dados treino
predict() para predizer categoria das amostras em teste
confusionMatrix() para obter métricas de performance e matriz de confusão
confusao_lab para plotar uma matriz de confusão no estilo LABOTAM.

51 / 53

COVID19

Análise de dados NIR em R

Grato!

@ricoperdiz
@ricoperdiz
ricardoperdiz.com
ricoperdiz@gmail.com

52 / 53

COVID19

Análise de dados NIR em R

Info do sistema

## R version 4.5.1 (2025-06-13 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26100)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=Portuguese_Brazil.utf8 
## [2] LC_CTYPE=Portuguese_Brazil.utf8   
## [3] LC_MONETARY=Portuguese_Brazil.utf8
## [4] LC_NUMERIC=C                      
## [5] LC_TIME=Portuguese_Brazil.utf8    
## 
## time zone: America/Manaus
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets 
## [6] methods   base     
## 
## other attached packages:
##  [1] pls_2.8-5                 MASS_7.3-65              
##  [3] metathis_1.1.4.9000       data.table_1.17.0        
##  [5] magrittr_2.0.3            caret_7.0-1              
##  [7] lattice_0.22-7            yardstick_1.3.2          
##  [9] workflowsets_1.1.0        workflows_1.2.0          
## [11] tune_1.3.0                tidyr_1.3.1              
## [13] tibble_3.2.1              rsample_1.3.0            
## [15] recipes_1.2.1             purrr_1.0.4              
## [17] parsnip_1.3.1             modeldata_1.4.0          
## [19] infer_1.0.8               dplyr_1.1.4              
## [21] dials_1.4.0               scales_1.3.0             
## [23] broom_1.0.8               tidymodels_1.3.0         
## [25] ggplot2_3.5.2             xaringanthemer_0.4.3.9000
## [27] rsvg_2.6.2                DiagrammeRsvg_0.1        
## [29] DiagrammeR_1.0.11.9000   
## 
## loaded via a namespace (and not attached):
##  [1] pROC_1.18.5              rlang_1.1.6             
##  [3] furrr_0.3.1              e1071_1.7-16            
##  [5] compiler_4.5.1           png_0.1-8               
##  [7] vctrs_0.6.5              reshape2_1.4.4          
##  [9] lhs_1.2.0                stringr_1.5.1           
## [11] sysfonts_0.8.9           pkgconfig_2.0.3         
## [13] fastmap_1.2.0            backports_1.5.0         
## [15] labeling_0.4.3           utf8_1.2.4              
## [17] promises_1.3.2           rmarkdown_2.29          
## [19] prodlim_2024.06.25       xfun_0.52.1             
## [21] showtext_0.9-7           cachem_1.1.0            
## [23] jsonlite_2.0.0           later_1.4.2             
## [25] parallel_4.5.1           R6_2.6.1                
## [27] bslib_0.9.0              stringi_1.8.7           
## [29] RColorBrewer_1.1-3       parallelly_1.43.0       
## [31] rpart_4.1.24             lubridate_1.9.4         
## [33] jquerylib_0.1.4          Rcpp_1.0.14             
## [35] iterators_1.0.14         knitr_1.50              
## [37] future.apply_1.11.3      NIRtools_0.0.0.9006     
## [39] httpuv_1.6.15            Matrix_1.7-3            
## [41] splines_4.5.1            nnet_7.3-20             
## [43] timechange_0.3.0         tidyselect_1.2.1        
## [45] rstudioapi_0.17.1        yaml_2.3.10             
## [47] timeDate_4041.110        codetools_0.2-20        
## [49] curl_6.2.2               listenv_0.9.1           
## [51] plyr_1.8.9               withr_3.0.2             
## [53] evaluate_1.0.3           xaringan_0.30.1         
## [55] future_1.40.0            survival_3.8-3          
## [57] proxy_0.4-27             xml2_1.3.8              
## [59] pillar_1.10.2            rsconnect_1.3.4         
## [61] whisker_0.4.1            stats4_4.5.1            
## [63] foreach_1.5.2            generics_0.1.3          
## [65] icons_0.2.0              servr_0.32              
## [67] munsell_0.5.1            globals_0.16.3          
## [69] class_7.3-23             glue_1.8.0              
## [71] tools_4.5.1              xaringanExtra_0.8.0.9000
## [73] ModelMetrics_1.2.2.2     gower_1.0.2             
## [75] visNetwork_2.1.2         grid_4.5.1              
## [77] ipred_0.9-15             colorspace_2.1-1        
## [79] nlme_3.1-168             showtextdb_3.0          
## [81] cli_3.6.4                DiceDesign_1.10         
## [83] rappdirs_0.3.3           lava_1.8.1              
## [85] V8_6.0.3                 gtable_0.3.6            
## [87] GPfit_1.0-9              sass_0.4.10             
## [89] digest_0.6.37            farver_2.1.2            
## [91] htmlwidgets_1.6.4        htmltools_0.5.8.1       
## [93] lifecycle_1.0.4          hardhat_1.4.1           
## [95] mime_0.13

53 / 53

Oficina de análise de dados NIR em ambiente R
Partes 4—5 - LDA e PLS
Ricardo Perdiz (Luz da Floresta) | 2021/07/02
COVID19
1 / 53

COVID19

Análise de dados NIR em R

Sumário

Recapitulação do primeiro dia

2 / 53

COVID19

Análise de dados NIR em R

Sumário

Recapitulação do primeiro dia

Interface para análise de dados do caret

2 / 53

COVID19

Análise de dados NIR em R

Sumário

Recapitulação do primeiro dia

Interface para análise de dados do caret

Análise discriminante linear (LDA)

2 / 53

COVID19

Análise de dados NIR em R

Sumário

Recapitulação do primeiro dia

Interface para análise de dados do caret

Análise discriminante linear (LDA)

Análise de mínimos quadrados parciais (PLS)

2 / 53

COVID19

Análise de dados NIR em R

Recapitulação

Manipulação de dados utilizando o dplyr

Preparação de dados pré-análise

PCA

Figura de Wickham, H. e Grolemund, G. (2016) http://r4ds.had.co.nz.

3 / 53

COVID19

Análise de dados NIR em R

Importando dados para a oficina

Opção 1 - Dados `iris`

dados <- iris

Opção 2 - Importação de dados próprios

library("data.table")
dados <- fread("MEUSDADOS.csv")

Opção 3 - Conjunto de dados `nir_data`¹, que acompanha o pacote `NIRtools`².

dados <-
  fread("https://raw.githubusercontent.com/ricoperdiz/NIRtools/master/inst/extdata/nir_data.csv")

4 / 53

COVID19

Análise de dados NIR em R

Transformação do `data.frame` em um `tibble`¹

library("tibble")
dados <- as_tibble(dados)
dados

## # A tibble: 150 × 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##           <dbl>       <dbl>        <dbl>       <dbl> <fct>  
##  1          5.1         3.5          1.4         0.2 setosa 
##  2          4.9         3            1.4         0.2 setosa 
##  3          4.7         3.2          1.3         0.2 setosa 
##  4          4.6         3.1          1.5         0.2 setosa 
##  5          5           3.6          1.4         0.2 setosa 
##  6          5.4         3.9          1.7         0.4 setosa 
##  7          4.6         3.4          1.4         0.3 setosa 
##  8          5           3.4          1.5         0.2 setosa 
##  9          4.4         2.9          1.4         0.2 setosa 
## 10          4.9         3.1          1.5         0.1 setosa 
## # ℹ 140 more rows

Este passo NÃO É NECESSÁRIO. Ele facilita apenas a visualização dos dados no console, e indica o tipo de cada variável em seu conjunto de dados. Saiba mais sobre um tibble em https://r4ds.had.co.nz/tibbles.html.

5 / 53

COVID19

Análise de dados NIR em R

Atenção!!!

Nova variável de nome de espécies

library("dplyr")

dados$SP1 <- 
  case_when(
  dados$SP1 == "P. aracouchini" ~ "arac",
  dados$SP1 == "P. calanense" ~ "cala"
) %>% 
  as.factor(.)

6 / 53

COVID19

Análise de dados NIR em R

Pré-processamento dos dados

7 / 53

COVID19

Análise de dados NIR em R

Pré-processamento dos dados

Divisão dos dados em `treino` e `teste`

library("rsample") # initial_split
dados_split <- initial_split(dados, strata = "Species")
treino <- training(dados_split)
teste <- testing(dados_split)

7 / 53

COVID19

Análise de dados NIR em R

Criação e preparo da receita

library("recipes")
treino_receita <- 
  recipes::recipe(Species ~ ., data = treino) %>% 
  prep()
treino_receita

##

## ── Recipe ────────────────────────────────────────────────────

##

## ── Inputs

## Number of variables by role

## outcome:   1
## predictor: 4

##

## ── Training information

## Training data contained 111 data points and no incomplete
## rows.

8 / 53

COVID19

Análise de dados NIR em R

PCA

I - PCA com todos os dados?

Depois, é só plotar os dados espremendo a receita, o que vai gerar uma PCA com os dados completos.

9 / 53

COVID19

Análise de dados NIR em R

I - PCA com todos os dados?

dados_completos_receita_pca_pre <- 
  recipes::recipe(Species ~ ., data = dados) %>% 
  step_normalize(all_predictors()) %>% 
  step_pca(all_predictors()) %>% 
  prep()
dados_completos_receita_pca_pre

##

## ── Recipe ────────────────────────────────────────────────────

##

## ── Inputs

## Number of variables by role

## outcome:   1
## predictor: 4

##

## ── Training information

## Training data contained 150 data points and no incomplete
## rows.

##

## ── Operations

## • Centering and scaling for: Sepal.Length, ... | Trained

## • PCA extraction with: Sepal.Length, ... | Trained

10 / 53

COVID19

Análise de dados NIR em R

II - PCA com todos os dados?

pca_tabela <- tidy(dados_completos_receita_pca_pre, 2)
pca_tabela

## # A tibble: 16 × 4
##    terms          value component id       
##    <chr>          <dbl> <chr>     <chr>    
##  1 Sepal.Length  0.521  PC1       pca_f6kUq
##  2 Sepal.Width  -0.269  PC1       pca_f6kUq
##  3 Petal.Length  0.580  PC1       pca_f6kUq
##  4 Petal.Width   0.565  PC1       pca_f6kUq
##  5 Sepal.Length -0.377  PC2       pca_f6kUq
##  6 Sepal.Width  -0.923  PC2       pca_f6kUq
##  7 Petal.Length -0.0245 PC2       pca_f6kUq
##  8 Petal.Width  -0.0669 PC2       pca_f6kUq
##  9 Sepal.Length  0.720  PC3       pca_f6kUq
## 10 Sepal.Width  -0.244  PC3       pca_f6kUq
## 11 Petal.Length -0.142  PC3       pca_f6kUq
## 12 Petal.Width  -0.634  PC3       pca_f6kUq
## 13 Sepal.Length  0.261  PC4       pca_f6kUq
## 14 Sepal.Width  -0.124  PC4       pca_f6kUq
## 15 Petal.Length -0.801  PC4       pca_f6kUq
## 16 Petal.Width   0.524  PC4       pca_f6kUq

11 / 53

COVID19

Análise de dados NIR em R

III - PCA com todos os dados?

Variação das PC's

sdev_pca_normalizada <- dados_completos_receita_pca_pre$steps[[2]]$res$sdev
porcent_variacao_normalizada <- sdev_pca_normalizada^2 / sum(sdev_pca_normalizada^2)
pca_normalizada_variacao <- 
  data.frame(
    pcs = unique(pca_tabela$component),
    variacao_porcentagem = porcent_variacao_normalizada*100,
    variacao_cumulativa = cumsum(porcent_variacao_normalizada*100)
  )
pca_normalizada_variacao

##   pcs variacao_porcentagem variacao_cumulativa
## 1 PC1           72.9624454            72.96245
## 2 PC2           22.8507618            95.81321
## 3 PC3            3.6689219            99.48213
## 4 PC4            0.5178709           100.00000

12 / 53

COVID19

Análise de dados NIR em R

IV - PCA com todos os dados?

Plotando PCA com dados completos

library("ggplot2")
pc1 <- filter(pca_normalizada_variacao, pcs == "PC1")
pc2 <- filter(pca_normalizada_variacao, pcs == "PC2")
juice(dados_completos_receita_pca_pre) %>%
  ggplot(aes(PC1, PC2)) +
  geom_point(aes(color = Species), alpha = 0.7, size = 2) +
  xlab(paste0("PC1 (", round(pc1$variacao_porcentagem, 2), "%)")) +
  ylab(paste0("PC2 (", round(pc2$variacao_porcentagem, 2), "%)"))

13 / 53

COVID19

Análise de dados NIR em R

Pacote caret - Classification And REgression Training (Kuhn 2021)

14 / 53

COVID19

Análise de dados NIR em R

Interface para análise de dados do caret

O pacote contem funções para simplificar tanto o treinamento de modelos para regressões e análises de classificação como a avaliação da efetividade dos modelos gerados.

15 / 53

COVID19

Análise de dados NIR em R

Interface para análise de dados do caret

O pacote contem funções para simplificar tanto o treinamento de modelos para regressões e análises de classificação como a avaliação da efetividade dos modelos gerados.

Fluxo de processamento e análise de dados

15 / 53

COVID19

Análise de dados NIR em R

Interface para análise de dados do caret

O pacote contem funções para simplificar tanto o treinamento de modelos para regressões e análises de classificação como a avaliação da efetividade dos modelos gerados.

Fluxo de processamento e análise de dados

Duas funções básicas:

caret::train()
caret::trainControl()

15 / 53

COVID19

Análise de dados NIR em R

Fluxograma de um perfil básico de análise

16 / 53

COVID19

Análise de dados NIR em R

Análise discriminante linear (LDA)

17 / 53

COVID19

Análise de dados NIR em R

Análise discriminante linear (LDA)

17 / 53

COVID19

Análise de dados NIR em R

Análise discriminante linear (LDA)

Utilizada quando a variável dependente é categórica, e as variáveis independentes são quantitativas.

17 / 53

COVID19

Análise de dados NIR em R

Análise discriminante linear (LDA)

Utilizada quando a variável dependente é categórica, e as variáveis independentes são quantitativas.

Em R, utilizamos a função lda() do pacote MASS (Venables e Ripley 2002)².

17 / 53

COVID19

Análise de dados NIR em R

Análise discriminante linear (LDA)

Utilizada quando a variável dependente é categórica, e as variáveis independentes são quantitativas.

Em R, utilizamos a função lda() do pacote MASS (Venables e Ripley 2002)².

Usando o caret, a função é a mesma, porém dentro de uma interface comum a vários métodos diferentes³.

library("MASS")

Fávero, L. P., Belfiore, P., Silva, F. L. e Chan, B.L. (2009) Análise de dados: Modelagem multivariada para tomada de decisões. Rio de Janeiro: Elsevier.
Venables, W. N. e Ripley, B. D. (2002) Modern Applied Statistics with S. Fourth Edition.
Lista completa de modelos aceitos no caret: https://topepo.github.io/caret/available-models.html.

17 / 53

COVID19

Análise de dados NIR em R

Premissas¹

Normalidade multivariada
Homogeneidade de variância/covariância
Independência entre as observações

18 / 53

COVID19

Análise de dados NIR em R

Premissas¹

Normalidade multivariada
Homogeneidade de variância/covariância
Independência entre as observações

Multicolinearidade pode diminuir o poder preditivo da classificação pois viola a independência das observações.

Fávero, L. P., Belfiore, P., Silva, F. L. e Chan, B.L. (2009) Análise de dados: Modelagem multivariada para tomada de decisões. Rio de Janeiro: Elsevier.

18 / 53

COVID19

Análise de dados NIR em R

Um exemplo - I - Execução

Receita criada no slide Criação da receita.

library("caret")

ldafit_cvsimples <-
  train(
    treino_receita, treino,
    method = "lda",
    metric = "Accuracy"
  )

19 / 53

COVID19

Análise de dados NIR em R

Checagem de resultados

ldafit_cvsimples

## Linear Discriminant Analysis 
## 
## 111 samples
##   4 predictor
##   3 classes: 'setosa', 'versicolor', 'virginica' 
## 
## Recipe steps:  
## Resampling: Bootstrapped (25 reps) 
## Summary of sample sizes: 111, 111, 111, 111, 111, 111, ... 
## Resampling results:
## 
##   Accuracy   Kappa    
##   0.9754789  0.9627761

20 / 53

COVID19

Análise de dados NIR em R

Um exemplo - II - Medindo performance do `treino`

getTrainPerf(ldafit_cvsimples)

##   TrainAccuracy TrainKappa method
## 1     0.9754789  0.9627761    lda

21 / 53

COVID19

Análise de dados NIR em R

Um exemplo - III - Predições e performance em `teste`

predicao_lda_basico <- 
  ldafit_cvsimples %>%
  predict(., newdata = teste)
predicao_lda_basico

##  [1] setosa     setosa     setosa     setosa     setosa    
##  [6] setosa     setosa     setosa     setosa     setosa    
## [11] setosa     setosa     setosa     versicolor versicolor
## [16] versicolor versicolor versicolor versicolor versicolor
## [21] versicolor versicolor versicolor versicolor versicolor
## [26] versicolor virginica  virginica  virginica  virginica 
## [31] virginica  virginica  virginica  virginica  virginica 
## [36] virginica  virginica  virginica  virginica 
## Levels: setosa versicolor virginica

22 / 53

COVID19

Análise de dados NIR em R

Um exemplo - III - Predições e performance em `teste`

Código

confusionMatrix(data = predicao_lda_basico, reference = teste$Species)

Resultado

Para entender métricas de performance: https://topepo.github.io/caret/measuring-performance.html#class.

23 / 53

COVID19

Análise de dados NIR em R

Um exemplo - IV - Matriz de confusão

Função confusao_lab() do pacote NIRtools¹. Caso não consigam ou não desejem instalar o pacote, basta fazer um source():

source("https://raw.githubusercontent.com/ricoperdiz/NIRtools/master/R/confusion_matrix.R")

par(mar = c(1, 5, 5, 1))
table(teste$Species, predicao_lda_basico) %>% 
  confusao_lab(.)

Perdiz (2021) https://github.com/ricoperdiz/NIRtools

24 / 53

COVID19

Análise de dados NIR em R

Argumentos¹ para criação de modelos com a função `trainControl()`

method: boot, cv, LOOCV, LGOCV, repeatedcv e none (há mais opções!)
number e repeats: primeiro controla o número de divisões em cv/repeatedcv OU número de iterações para bootstrap e LOOCV; segundo se aplica somente ao k-fold.
verboseIter: Mostra um log
returnData: Retorna os dados que servem de entrada?
p: Porcentagem em LGOCV
classProbs: valor lógico para determinar se as probabilidades de atribuição a cada classe devem ser calculadas
returnResamp: all, final or none
allowParallel: Paraleliza?

Para uma lista completa, acesse a ajuda da função: ?trainControl

25 / 53

COVID19

Análise de dados NIR em R

Prática com `trainControl()`

Validação cruzada simples - `cv`

ctrl_cv <- 
  trainControl(method = "cv",
               number = 10, # faz uma validacao 10-fold
               verboseIter = FALSE,
               returnData = TRUE, # Nao importante! Pode ser falso
               classProbs = TRUE,
               savePredictions = "all")

ldafit_cv_10fold <- 
  train(
    treino_receita, treino,
    method = "lda",
    trControl = ctrl_cv,
    metric = "Accuracy" # em classificacoes, dois valores sao possiveis: Accuracy ou Kappa
  )

26 / 53

COVID19

Análise de dados NIR em R

Acessando o resultado de `train()` - I

names(ldafit_cv_10fold)

##  [1] "method"       "modelInfo"    "modelType"   
##  [4] "recipe"       "results"      "pred"        
##  [7] "bestTune"     "call"         "dots"        
## [10] "metric"       "control"      "finalModel"  
## [13] "trainingData" "resample"     "resampledCM" 
## [16] "perfNames"    "maximize"     "yLimits"     
## [19] "times"        "levels"       "rs_seed"

Para acessar as informações, basta executar um dos comandos abaixo:

ldafit_cv_10fold$method # metodo utilizado 
ldafit_cv_10fold$modelInfo # info do modelo
ldafit_cv_10fold$modelType # tipo de modelo
ldafit_cv_10fold$bestTune
ldafit_cv_10fold$call # formula utilizada em train()
ldafit_cv_10fold$dots # se verbose == TRUE ou FALSE
ldafit_cv_10fold$resample # estatisticas em cada reamostragem
ldafit_cv_10fold$metric # qual metrica utilizada em train()
ldafit_cv_10fold$control # especificacoes de trainControl()

27 / 53

COVID19

Análise de dados NIR em R

Acessando o resultado de `train()` - II - Predições

ldafit_cv_10fold$pred %>% 
  filter(obs != pred)

##          obs rowIndex       pred       setosa versicolor
## 1 versicolor       64  virginica 7.082366e-31  0.1304324
## 2  virginica       99 versicolor 6.506261e-27  0.8282785
##   virginica parameter Resample
## 1 0.8695676      none   Fold07
## 2 0.1717215      none   Fold10

28 / 53

COVID19

Análise de dados NIR em R

Acessando o resultado de `train()` - IV - resultados

ldafit_cv_10fold$results

##   parameter  Accuracy     Kappa AccuracySD    KappaSD
## 1      none 0.9818182 0.9723259 0.03833064 0.05834346

29 / 53

COVID19

Análise de dados NIR em R

Acessando o resultado de `train()` - V - Modelo final

Resultado da LDA, caso fizéssemos uso da função lda(), referente ao modelo final:

ldafit_cv_10fold$finalModel

## Call:
## lda(x, y)
## 
## Prior probabilities of groups:
##     setosa versicolor  virginica 
##  0.3333333  0.3333333  0.3333333 
## 
## Group means:
##            Sepal.Length Sepal.Width Petal.Length Petal.Width
## setosa         5.029730    3.440541     1.481081   0.2459459
## versicolor     5.972973    2.751351     4.254054   1.3162162
## virginica      6.610811    2.989189     5.616216   2.0405405
## 
## Coefficients of linear discriminants:
##                     LD1        LD2
## Sepal.Length  0.9107941 -0.6076288
## Sepal.Width   1.3721594  2.7462192
## Petal.Length -2.1944206 -0.2260993
## Petal.Width  -2.8023531  1.9159240
## 
## Proportion of trace:
##    LD1    LD2 
## 0.9893 0.0107

30 / 53

COVID19

Análise de dados NIR em R

Medindo performance do `treino`

getTrainPerf(ldafit_cv_10fold)

##   TrainAccuracy TrainKappa method
## 1     0.9818182  0.9723259    lda

31 / 53

COVID19

Análise de dados NIR em R

Predições e performance em `teste`

Código

predicao_lda_cv_10fold <- 
  ldafit_cv_10fold %>%
  predict(., newdata = teste)
confusionMatrix(data = predicao_lda_cv_10fold, reference = teste$Species)

Resultado

32 / 53

COVID19

Análise de dados NIR em R

Matriz de confusão

Função confusao_lab() do pacote NIRtools¹.

par(mar = c(1, 5, 5, 1))
table(teste$Species, predicao_lda_basico) %>% 
  NIRtools::confusao_lab(., add_CP = TRUE)

Perdiz (2021) https://github.com/ricoperdiz/NIRtools

33 / 53

COVID19

Análise de dados NIR em R

Validação cruzada repetida - `repeatedcv`

ctrl_lda_repeatedcv <-
  trainControl(
    method = "repeatedcv",
    number = 10, # faz uma validacao 10-fold
    repeats = 10,
    verboseIter = FALSE,
    returnData = FALSE, # Nao importante! Pode ser falso
    classProbs = TRUE,
    savePredictions = "all"
  )

ldafit_repeatedcv_10fold_10vezes <- 
  train(
    treino_receita, treino,
    method = "lda",
    trControl = ctrl_lda_repeatedcv,
    metric = "Accuracy" # em classificacoes, dois valores sao possiveis: Accuracy ou Kappa
  )

34 / 53

COVID19

Análise de dados NIR em R

Receitas de pré-processamento e o caret

Por que aprender isso?

35 / 53

COVID19

Análise de dados NIR em R

Receitas de pré-processamento e o caret

Por que aprender isso?

Mais possibilidades no pré-processamento dos dados

Manter variáveis adicionais para medir performance

35 / 53

COVID19

Análise de dados NIR em R

E o caret sem receita, pode?

36 / 53

COVID19

Análise de dados NIR em R

E o caret sem receita, pode?

Pode!

Execução

resultado_lda_sem_receita_basico <-
  train(
    Species ~ .,
    data = treino,
    method = "lda",
    metric = "Accuracy"
  )

Checagem de resultado

print(resultado_lda_sem_receita_basico)

## Linear Discriminant Analysis 
## 
## 111 samples
##   4 predictor
##   3 classes: 'setosa', 'versicolor', 'virginica' 
## 
## No pre-processing
## Resampling: Bootstrapped (25 reps) 
## Summary of sample sizes: 111, 111, 111, 111, 111, 111, ... 
## Resampling results:
## 
##   Accuracy   Kappa    
##   0.9667379  0.9495212

36 / 53

COVID19

Análise de dados NIR em R

Medindo performance do `treino`

getTrainPerf(resultado_lda_sem_receita_basico)

##   TrainAccuracy TrainKappa method
## 1     0.9667379  0.9495212    lda

37 / 53

COVID19

Análise de dados NIR em R

Predições e performance em `teste`

predicao_lda_sem_receita_basico <- 
  resultado_lda_sem_receita_basico %>%
  predict(., newdata = teste)
confusionMatrix(data = predicao_lda_sem_receita_basico, reference = teste$Species)

## Confusion Matrix and Statistics
## 
##             Reference
## Prediction   setosa versicolor virginica
##   setosa         13          0         0
##   versicolor      0         13         0
##   virginica       0          0        13
## 
## Overall Statistics
##                                      
##                Accuracy : 1          
##                  95% CI : (0.9097, 1)
##     No Information Rate : 0.3333     
##     P-Value [Acc > NIR] : < 2.2e-16  
##                                      
##                   Kappa : 1          
##                                      
##  Mcnemar's Test P-Value : NA         
## 
## Statistics by Class:
## 
##                      Class: setosa Class: versicolor
## Sensitivity                 1.0000            1.0000
## Specificity                 1.0000            1.0000
## Pos Pred Value              1.0000            1.0000
## Neg Pred Value              1.0000            1.0000
## Prevalence                  0.3333            0.3333
## Detection Rate              0.3333            0.3333
## Detection Prevalence        0.3333            0.3333
## Balanced Accuracy           1.0000            1.0000
##                      Class: virginica
## Sensitivity                    1.0000
## Specificity                    1.0000
## Pos Pred Value                 1.0000
## Neg Pred Value                 1.0000
## Prevalence                     0.3333
## Detection Rate                 0.3333
## Detection Prevalence           0.3333
## Balanced Accuracy              1.0000

38 / 53

COVID19

Análise de dados NIR em R

Matriz de confusão

Função confusao_lab() do pacote NIRtools¹.

par(mar = c(1, 5, 5, 1))
table(teste$Species, predicao_lda_sem_receita_basico) %>% 
  NIRtools::confusao_lab(.)

Perdiz (2021) https://github.com/ricoperdiz/NIRtools

39 / 53

COVID19

Análise de dados NIR em R

Análise de mínimos quadrados parciais (PLS)

Método muito utilizado na quimiometria, especialmente quando o número de variáveis preditoras é significantemente maior que o número de observações.

40 / 53

COVID19

Análise de dados NIR em R

Análise de mínimos quadrados parciais (PLS)

Método muito utilizado na quimiometria, especialmente quando o número de variáveis preditoras é significantemente maior que o número de observações.

Baseia-se em variáveis latentes, em que cada fator é definido como uma combinação linear das variáveis originais das variáveis preditoras ou variável resposta.

40 / 53

COVID19

Análise de dados NIR em R

Análise de mínimos quadrados parciais (PLS)

Método muito utilizado na quimiometria, especialmente quando o número de variáveis preditoras é significantemente maior que o número de observações.

Baseia-se em variáveis latentes, em que cada fator é definido como uma combinação linear das variáveis originais das variáveis preditoras ou variável resposta.

library("pls")

Kuhn (2021) https://topepo.github.io/caret/using-your-own-model-in-train.html#illustrative-example-4-pls-feature-extraction-pre-processing.

40 / 53

COVID19

Análise de dados NIR em R

PLS com o pacote `caret`

41 / 53

COVID19

Análise de dados NIR em R

PLS com o pacote `caret`

Dados

Mesmo conjunto de dados utilizado anteriormente. Coloco aqui para facilitar a preparação dos dados para a PLS.

dados <- iris
dados <- as_tibble(dados)
dados_split <- initial_split(dados, strata = "Species")
treino <- training(dados_split)
teste <- testing(dados_split)
treino_receita <- 
  recipes::recipe(Species ~ ., data = treino) %>% 
  prep()

41 / 53

COVID19

Análise de dados NIR em R

Execução

ctrl_exemplo_pls <-
  trainControl(
    method = "repeatedcv",
    number = 10,
    repeats = 10,
    verboseIter = FALSE,
    savePredictions = "final")

plsfit_exemplo <-
  train(
    treino_receita, treino,
    method = "pls",
    metric = "Accuracy",
    trControl = ctrl_exemplo_pls,
    tuneLength = 3
  )

42 / 53

É importante comentar sobre a utilidade do argumento tuneGrid da função train() quando executamos uma PLS.

Também comentar sobre a possibilidade de paralelização da análise por meio do pacote paralell e a função registerDoParallel.

COVID19

Análise de dados NIR em R

Checando o resultado

plsfit_exemplo

## Partial Least Squares 
## 
## 111 samples
##   4 predictor
##   3 classes: 'setosa', 'versicolor', 'virginica' 
## 
## Recipe steps:  
## Resampling: Cross-Validated (10 fold, repeated 10 times) 
## Summary of sample sizes: 99, 99, 99, 101, 100, 99, ... 
## Resampling results across tuning parameters:
## 
##   ncomp  Accuracy   Kappa    
##   1      0.6704242  0.5055691
##   2      0.7864798  0.6787244
##   3      0.7934949  0.6889434
## 
## Accuracy was used to select the optimal model using
##  the largest value.
## The final value used for the model was ncomp = 3.

43 / 53

COVID19

Análise de dados NIR em R

Acurácia por número de componentes

plot(plsfit_exemplo)

44 / 53

COVID19

Análise de dados NIR em R

Predições e performance

plsfit_exemplo %>%
  predict(newdata = teste) %>% 
  confusionMatrix(data = ., reference = teste$Species)

## Confusion Matrix and Statistics
## 
##             Reference
## Prediction   setosa versicolor virginica
##   setosa         13          0         0
##   versicolor      0          8         3
##   virginica       0          5        10
## 
## Overall Statistics
##                                          
##                Accuracy : 0.7949         
##                  95% CI : (0.6354, 0.907)
##     No Information Rate : 0.3333         
##     P-Value [Acc > NIR] : 4.429e-09      
##                                          
##                   Kappa : 0.6923         
##                                          
##  Mcnemar's Test P-Value : NA             
## 
## Statistics by Class:
## 
##                      Class: setosa Class: versicolor
## Sensitivity                 1.0000            0.6154
## Specificity                 1.0000            0.8846
## Pos Pred Value              1.0000            0.7273
## Neg Pred Value              1.0000            0.8214
## Prevalence                  0.3333            0.3333
## Detection Rate              0.3333            0.2051
## Detection Prevalence        0.3333            0.2821
## Balanced Accuracy           1.0000            0.7500
##                      Class: virginica
## Sensitivity                    0.7692
## Specificity                    0.8077
## Pos Pred Value                 0.6667
## Neg Pred Value                 0.8750
## Prevalence                     0.3333
## Detection Rate                 0.2564
## Detection Prevalence           0.3846
## Balanced Accuracy              0.7885

45 / 53

COVID19

Análise de dados NIR em R

Validação cruzada Leave-one-out - `LOOCV`

ctrl_loocv <-
  trainControl(
    method = "LOOCV",
    verboseIter = FALSE,
    savePredictions = "final")

plsfit_exemplo_loocv <-
  train(
    treino_receita, treino,
    method = "pls",
    metric = "Accuracy",
    trControl = ctrl_loocv,
    tuneGrid = expand.grid(ncomp = 2)
  )

46 / 53

COVID19

Análise de dados NIR em R

Checagem de resultado

plsfit_exemplo_loocv

## Partial Least Squares 
## 
## 111 samples
##   4 predictor
##   3 classes: 'setosa', 'versicolor', 'virginica' 
## 
## Recipe steps:  
## Resampling: Leave-One-Out Cross-Validation 
## Summary of sample sizes: 110, 110, 110, 110, 110, 110, ... 
## Resampling results:
## 
##   Accuracy   Kappa    
##   0.7747748  0.6621622
## 
## Tuning parameter 'ncomp' was held constant at a value of 2

47 / 53

COVID19

Análise de dados NIR em R

Medindo performance do `treino`

getTrainPerf(plsfit_exemplo_loocv)

##   TrainAccuracy TrainKappa method
## 1     0.7747748  0.6621622    pls

48 / 53

COVID19

Análise de dados NIR em R

Predições e performance em `teste`

Código

predicao_plsfit_exemplo_loocv <- 
  plsfit_exemplo_loocv %>%
  predict(., newdata = teste)
confusionMatrix(data = predicao_plsfit_exemplo_loocv, reference = teste$Species)

## Confusion Matrix and Statistics
## 
##             Reference
## Prediction   setosa versicolor virginica
##   setosa         13          0         0
##   versicolor      0          9         2
##   virginica       0          4        11
## 
## Overall Statistics
##                                           
##                Accuracy : 0.8462          
##                  95% CI : (0.6947, 0.9414)
##     No Information Rate : 0.3333          
##     P-Value [Acc > NIR] : 5.641e-11       
##                                           
##                   Kappa : 0.7692          
##                                           
##  Mcnemar's Test P-Value : NA              
## 
## Statistics by Class:
## 
##                      Class: setosa Class: versicolor
## Sensitivity                 1.0000            0.6923
## Specificity                 1.0000            0.9231
## Pos Pred Value              1.0000            0.8182
## Neg Pred Value              1.0000            0.8571
## Prevalence                  0.3333            0.3333
## Detection Rate              0.3333            0.2308
## Detection Prevalence        0.3333            0.2821
## Balanced Accuracy           1.0000            0.8077
##                      Class: virginica
## Sensitivity                    0.8462
## Specificity                    0.8462
## Pos Pred Value                 0.7333
## Neg Pred Value                 0.9167
## Prevalence                     0.3333
## Detection Rate                 0.2821
## Detection Prevalence           0.3846
## Balanced Accuracy              0.8462

Resultado

49 / 53

COVID19

Análise de dados NIR em R

Matriz de confusão

Função confusao_lab() do pacote NIRtools¹.

par(mar = c(1, 5, 5, 1))
table(teste$Species, predicao_plsfit_exemplo_loocv) %>% 
  NIRtools::confusao_lab(.)

Perdiz (2021) https://github.com/ricoperdiz/NIRtools

50 / 53

COVID19

Análise de dados NIR em R

Resumo de construção e avaliação de modelos com a interface caret

trainControl() e train() - controla argumentos e treina modelos
getTrainPerf() avalia o modelo com dados treino
predict() para predizer categoria das amostras em teste
confusionMatrix() para obter métricas de performance e matriz de confusão
confusao_lab para plotar uma matriz de confusão no estilo LABOTAM.

51 / 53

COVID19

Análise de dados NIR em R

Grato!

@ricoperdiz
@ricoperdiz
ricardoperdiz.com
ricoperdiz@gmail.com

52 / 53

COVID19

Análise de dados NIR em R

Info do sistema

## R version 4.5.1 (2025-06-13 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26100)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=Portuguese_Brazil.utf8 
## [2] LC_CTYPE=Portuguese_Brazil.utf8   
## [3] LC_MONETARY=Portuguese_Brazil.utf8
## [4] LC_NUMERIC=C                      
## [5] LC_TIME=Portuguese_Brazil.utf8    
## 
## time zone: America/Manaus
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets 
## [6] methods   base     
## 
## other attached packages:
##  [1] pls_2.8-5                 MASS_7.3-65              
##  [3] metathis_1.1.4.9000       data.table_1.17.0        
##  [5] magrittr_2.0.3            caret_7.0-1              
##  [7] lattice_0.22-7            yardstick_1.3.2          
##  [9] workflowsets_1.1.0        workflows_1.2.0          
## [11] tune_1.3.0                tidyr_1.3.1              
## [13] tibble_3.2.1              rsample_1.3.0            
## [15] recipes_1.2.1             purrr_1.0.4              
## [17] parsnip_1.3.1             modeldata_1.4.0          
## [19] infer_1.0.8               dplyr_1.1.4              
## [21] dials_1.4.0               scales_1.3.0             
## [23] broom_1.0.8               tidymodels_1.3.0         
## [25] ggplot2_3.5.2             xaringanthemer_0.4.3.9000
## [27] rsvg_2.6.2                DiagrammeRsvg_0.1        
## [29] DiagrammeR_1.0.11.9000   
## 
## loaded via a namespace (and not attached):
##  [1] pROC_1.18.5              rlang_1.1.6             
##  [3] furrr_0.3.1              e1071_1.7-16            
##  [5] compiler_4.5.1           png_0.1-8               
##  [7] vctrs_0.6.5              reshape2_1.4.4          
##  [9] lhs_1.2.0                stringr_1.5.1           
## [11] sysfonts_0.8.9           pkgconfig_2.0.3         
## [13] fastmap_1.2.0            backports_1.5.0         
## [15] labeling_0.4.3           utf8_1.2.4              
## [17] promises_1.3.2           rmarkdown_2.29          
## [19] prodlim_2024.06.25       xfun_0.52.1             
## [21] showtext_0.9-7           cachem_1.1.0            
## [23] jsonlite_2.0.0           later_1.4.2             
## [25] parallel_4.5.1           R6_2.6.1                
## [27] bslib_0.9.0              stringi_1.8.7           
## [29] RColorBrewer_1.1-3       parallelly_1.43.0       
## [31] rpart_4.1.24             lubridate_1.9.4         
## [33] jquerylib_0.1.4          Rcpp_1.0.14             
## [35] iterators_1.0.14         knitr_1.50              
## [37] future.apply_1.11.3      NIRtools_0.0.0.9006     
## [39] httpuv_1.6.15            Matrix_1.7-3            
## [41] splines_4.5.1            nnet_7.3-20             
## [43] timechange_0.3.0         tidyselect_1.2.1        
## [45] rstudioapi_0.17.1        yaml_2.3.10             
## [47] timeDate_4041.110        codetools_0.2-20        
## [49] curl_6.2.2               listenv_0.9.1           
## [51] plyr_1.8.9               withr_3.0.2             
## [53] evaluate_1.0.3           xaringan_0.30.1         
## [55] future_1.40.0            survival_3.8-3          
## [57] proxy_0.4-27             xml2_1.3.8              
## [59] pillar_1.10.2            rsconnect_1.3.4         
## [61] whisker_0.4.1            stats4_4.5.1            
## [63] foreach_1.5.2            generics_0.1.3          
## [65] icons_0.2.0              servr_0.32              
## [67] munsell_0.5.1            globals_0.16.3          
## [69] class_7.3-23             glue_1.8.0              
## [71] tools_4.5.1              xaringanExtra_0.8.0.9000
## [73] ModelMetrics_1.2.2.2     gower_1.0.2             
## [75] visNetwork_2.1.2         grid_4.5.1              
## [77] ipred_0.9-15             colorspace_2.1-1        
## [79] nlme_3.1-168             showtextdb_3.0          
## [81] cli_3.6.4                DiceDesign_1.10         
## [83] rappdirs_0.3.3           lava_1.8.1              
## [85] V8_6.0.3                 gtable_0.3.6            
## [87] GPfit_1.0-9              sass_0.4.10             
## [89] digest_0.6.37            farver_2.1.2            
## [91] htmlwidgets_1.6.4        htmltools_0.5.8.1       
## [93] lifecycle_1.0.4          hardhat_1.4.1           
## [95] mime_0.13

53 / 53

↑, ←, Pg Up, k	Go to previous slide
↓, →, Pg Dn, Space, j	Go to next slide
Home	Go to first slide
End	Go to last slide
Number + Return	Go to specific slide
b / m / f	Toggle blackout / mirrored / fullscreen mode
c	Clone slideshow
p	Toggle presenter mode
t	Restart the presentation timer
?, h	Toggle this help
o	Tile View: Overview of Slides
s	Toggle scribble toolbox

Oficina de análise de dados NIR em ambiente R

Partes 4—5 - LDA e PLS

Ricardo Perdiz (Luz da Floresta) | 2021/07/02

Sumário

Recapitulação do primeiro dia

Sumário

Recapitulação do primeiro dia

Interface para análise de dados do caret

Sumário

Recapitulação do primeiro dia

Interface para análise de dados do caret

Análise discriminante linear (LDA)

Sumário

Recapitulação do primeiro dia

Interface para análise de dados do caret

Análise discriminante linear (LDA)

Análise de mínimos quadrados parciais (PLS)

Recapitulação

Manipulação de dados utilizando o dplyr

Preparação de dados pré-análise

PCA

Importando dados para a oficina

Opção 1 - Dados iris

Opção 2 - Importação de dados próprios

Opção 3 - Conjunto de dados nir_data1, que acompanha o pacote NIRtools2.

Transformação do data.frame em um tibble1

Atenção!!!

Nova variável de nome de espécies

Pré-processamento dos dados

Pré-processamento dos dados

Divisão dos dados em treino e teste

Criação e preparo da receita

PCA

I - PCA com todos os dados?

I - PCA com todos os dados?

II - PCA com todos os dados?

III - PCA com todos os dados?

Variação das PC's

IV - PCA com todos os dados?

Plotando PCA com dados completos

Pacote caret - Classification And REgression Training (Kuhn 2021)

Interface para análise de dados do caret

O pacote contem funções para simplificar tanto o treinamento de modelos para regressões e análises de classificação como a avaliação da efetividade dos modelos gerados.

Interface para análise de dados do caret

O pacote contem funções para simplificar tanto o treinamento de modelos para regressões e análises de classificação como a avaliação da efetividade dos modelos gerados.

Fluxo de processamento e análise de dados

Interface para análise de dados do caret

O pacote contem funções para simplificar tanto o treinamento de modelos para regressões e análises de classificação como a avaliação da efetividade dos modelos gerados.

Fluxo de processamento e análise de dados

Fluxograma de um perfil básico de análise

Análise discriminante linear (LDA)

Análise discriminante linear (LDA)

Análise discriminante linear (LDA)

Análise discriminante linear (LDA)

Análise discriminante linear (LDA)

Premissas1

Premissas1

Um exemplo - I - Execução

Checagem de resultados

Um exemplo - II - Medindo performance do treino

Um exemplo - III - Predições e performance em teste

Um exemplo - III - Predições e performance em teste

Um exemplo - IV - Matriz de confusão

Argumentos1 para criação de modelos com a função trainControl()

Prática com trainControl()

Validação cruzada simples - cv

Acessando o resultado de train() - I

Acessando o resultado de train() - II - Predições

Acessando o resultado de train() - IV - resultados

Acessando o resultado de train() - V - Modelo final

Medindo performance do treino

Predições e performance em teste

Matriz de confusão

Validação cruzada repetida - repeatedcv

Receitas de pré-processamento e o caret

Por que aprender isso?

Receitas de pré-processamento e o caret

Por que aprender isso?

Mais possibilidades no pré-processamento dos dados

Manter variáveis adicionais para medir performance

Opção 1 - Dados `iris`

Opção 3 - Conjunto de dados `nir_data`¹, que acompanha o pacote `NIRtools`².

Transformação do `data.frame` em um `tibble`¹

Divisão dos dados em `treino` e `teste`

Premissas¹

Premissas¹

Um exemplo - II - Medindo performance do `treino`

Um exemplo - III - Predições e performance em `teste`

Um exemplo - III - Predições e performance em `teste`

Argumentos¹ para criação de modelos com a função `trainControl()`

Prática com `trainControl()`

Validação cruzada simples - `cv`

Acessando o resultado de `train()` - I

Acessando o resultado de `train()` - II - Predições

Acessando o resultado de `train()` - IV - resultados

Acessando o resultado de `train()` - V - Modelo final

Medindo performance do `treino`

Predições e performance em `teste`

Validação cruzada repetida - `repeatedcv`

Medindo performance do `treino`

Predições e performance em `teste`

PLS com o pacote `caret`

PLS com o pacote `caret`

Validação cruzada Leave-one-out - `LOOCV`

Medindo performance do `treino`

Predições e performance em `teste`

Opção 1 - Dados `iris`

Opção 3 - Conjunto de dados `nir_data`¹, que acompanha o pacote `NIRtools`².

Transformação do `data.frame` em um `tibble`¹

Divisão dos dados em `treino` e `teste`