Învățarea spațială a mașinilor cu R: Caret, TidyModels și MLR3

Sarcina noastră este să prezicem temperatura în Spania folosind un set de covariate. Avem două seturi de date în acest scop: primul, temperature_trainconține măsurătorile temperaturii din 195 de locații din Spania și a doua, predictor_stackconține covariatele pe care le vom folosi pentru a prezice temperatura. Aceste covariate includ variabile precum densitatea populației (popdens), distanța de coastă (coast) și altitudine (elev), printre altele.

library(terra)
library(sf)
train_points <- sf::read_sf("https://github.com/LOEK-RS/FOSSGIS2025-examples/raw/refs/heads/main/data/temp_train.gpkg")
predictor_stack <- terra::rast("https://github.com/LOEK-RS/FOSSGIS2025-examples/raw/refs/heads/main/data/predictors.tif")

Folosim un subset de paisprezece dintre covariatele disponibile pentru a prezice temperatura. Dar înainte de a face acest lucru, pentru a ne pregăti datele pentru modelare, trebuie să extragem valorile covariate în locațiile punctelor noastre de antrenament.

predictor_names <- names(predictor_stack)(1:14)
temperature_train <- terra::extract(predictor_stack((predictor_names)),
    train_points,
    bind = TRUE
) |>
    sf::st_as_sf()

Acum, al nostru temperature_train Setul de date conține măsurătorile temperaturii și valorile covariate la fiecare locație și este gata de modelare.

Utilizarea fiecăruia dintre cadre necesită încărcarea pachetelor respective.

library(caret)              # for modeling
library(blockCV)            # for spatial cross-validation
library(CAST)               # for area of applicability

library(tidymodels)         # metapackage for modeling
library(spatialsample)      # for spatial cross-validation
library(waywiser)           # for area of applicability
library(vip)                # for variable importance (used in AOA)

library(mlr3verse)          # metapackage for mlr3 modeling
library(mlr3spatiotempcv)   # for spatial cross-validation
library(CAST)               # for area of applicability
lgr::get_logger("mlr3")$set_threshold("warn")

Fiecare dintre cadre are propriul mod de a configura fluxul de lucru de modelare. Aceasta poate include definirea modelului, metoda de eșantionare și valorile hiperparameterului¹. În acest exemplu, folosim modele de pădure aleatorii, astfel cum sunt implementate în Ranger Pachet cu următoarele hiperparametre:

• mtry: Numărul de variabile eșantionate aleatoriu ca candidați la fiecare divizare de 8
• splitrule: regula de divizare a "extratrees"
• min.node.size: dimensiunea minimă a nodurilor terminale de 5

De asemenea, folosim o metodă spațială de validare încrucișată cu 5 ori. Înseamnă că datele sunt împărțite în multe blocuri spațiale și fiecare bloc este atribuit unui pli. Modelul este instruit pe un set de blocuri aparținând setului de instruire și evaluat pe blocurile rămase. Rețineți că fiecare cadru are propriul mod de a defini metoda de eșantionare și, prin urmare, implementarea și pliurile pot diferi ușor.

set.seed(22)
# hyperparameters
tn_grid = expand.grid(
    mtry = 8,
    splitrule = "extratrees",
    min.node.size = 5
)

# resampling
spatial_blocks <- blockCV::cv_spatial(
    temperature_train,
    k = 5,
    hexagon = FALSE,
    progress = FALSE
)

  train test
1   155   40
2   160   35
3   155   40
4   154   41
5   156   39

train_ids <- lapply(spatial_blocks$folds_list, function(x) x((1)))
test_ids <- lapply(spatial_blocks$folds_list, function(x) x((2)))

tr_control <- caret::trainControl(
    method = "cv",
    index = train_ids,
    indexOut = test_ids,
    savePredictions = TRUE
)

set.seed(22)
form <- as.formula(paste0("temp ~ ", paste(predictor_names, collapse = " + ")))
recipe <- recipes::recipe(form, data = temperature_train)

rf_model <- parsnip::rand_forest(
    trees = 100,
    mtry = 8,
    min_n = 5, 
    mode = "regression"
) |>
    set_engine("ranger", splitrule = "extratrees", importance = "impurity")

workflow <- workflows::workflow() |>
    workflows::add_recipe(recipe) |>
    workflows::add_model(rf_model)

block_folds <- spatialsample::spatial_block_cv(temperature_train, v = 5)
spatialsample::autoplot(block_folds)

set.seed(22)
task <- mlr3spatiotempcv::as_task_regr_st(temperature_train, target = "temp")
learner <- mlr3::lrn("regr.ranger",
    num.trees = 100,
    importance = "impurity",
    mtry = 8,
    min.node.size = 5,
    splitrule = "extratrees"
)
resampling <- mlr3::rsmp("spcv_block", folds = 5,
                         cols = 10, rows = 10)

După ce modelele sunt instruite, dorim să le evaluăm performanța. Aici, folosim două dintre cele mai frecvente valori pentru sarcini de regresie: eroarea pătrată medie (RMSE) și coeficientul de determinare (r²)

model_caret$results

  mtry  splitrule min.node.size     RMSE  Rsquared       MAE    RMSESD
1    8 extratrees             5 1.119936 0.8406388 0.9008884 0.2269326
  RsquaredSD     MAESD
1 0.06159361 0.1399976

tune::collect_metrics(rf_spatial)

# A tibble: 2 × 6
  .metric .estimator  mean     n std_err .config             
                               
1 rmse    standard   1.10      5  0.0903 Preprocessor1_Model1
2 rsq     standard   0.858     5  0.0424 Preprocessor1_Model1

my_measures <- c(mlr3::msr("regr.rmse"), mlr3::msr("regr.rsq"))
model_mlr3$aggregate(measures = my_measures)

regr.rmse       rsq 
1.1391701 0.8209292 

Scopul nostru este să prezicem temperatura în Spania folosind covariatele din predictor_stack set de date. Astfel, dorim să obținem o hartă a valorilor de temperatură prevăzute pentru întreaga țară. predict() Funcția Terra Pachetul face predicții model pe noile date raster.

Zona de aplicabilitate (AOA) este o metodă pentru a evalua care este zona spațiului de intrare care este similar cu datele de instruire. Este un instrument util pentru a evalua performanța modelului și pentru a identifica zonele în care modelul poate fi aplicat. Zonele din afara AOA sunt considerate a fi în afara domeniului de aplicabilitate al modelului și, astfel, predicțiile din aceste zone ar trebui interpretate cu prudență sau deloc utilizată.

AOA_caret <- CAST::aoa(
    newdata = predictor_stack,
    model = model_caret,
    verbose = FALSE
)
plot(AOA_caret$AOA)

model_aoa <- waywiser::ww_area_of_applicability(
    st_drop_geometry(temperature_train(, predictor_names)),
    importance = vip::vi_model(model_tidymodels)
)
AOA_tidymodels <- terra::predict(predictor_stack, model_aoa)
plot(AOA_tidymodels$aoa)

rsmp_cv <- resampling$instantiate(task)

AOA_mlr3 <- CAST::aoa(
    newdata = predictor_stack,
    train = as.data.frame(task$data()),
    variables = task$feature_names,
    weight = data.frame(t(learner$importance())),
    CVtest = rsmp_cv$instance(order(row_id))$fold,
    verbose = FALSE
)
plot(AOA_mlr3$AOA)

În această postare pe blog, am comparat trei dintre cele mai populare cadre de învățare automată din R: semn de omisiune, Tidymodelsși MLR3. Am demonstrat cum să utilizăm aceste cadre pentru o sarcină spațială de învățare automată, inclusiv specificația modelului, instruirea, evaluarea, predicția și obținerea zonei de aplicabilitate.

Există o mulțime de suprapuneri în funcționalitatea între cele trei cadre. Simultan, cadrele diferă în filozofia și implementarea lor de proiectare. Unii, ca semn de omisiunesunt mai concentrați pe furnizarea unei interfețe consistente și concise, dar oferă o flexibilitate limitată. Alții, ca Tidymodels şi MLR3sunt mai modulare și mai flexibile, permițând fluxuri de lucru și personalizări mai complexe, ceea ce le face, de asemenea, mai complexe de învățat și de utilizare.

Multe etape suplimentare pot fi adăugate la fluxul de lucru prezentat, cum ar fi ingineria caracteristicilor, selecția variabilă, reglarea hiperparameterului, interpretarea modelului și multe altele. În următoarele postări de pe blog, vom arăta mai detaliat aceste trei cadre, și apoi vom prezenta și alte pachete care pot fi utilizate pentru învățarea spațială a mașinilor în R.