SOS2901 Maskinlæring for samfunnsvitere

Oppgaver til hver undervisningsuke

Introduksjon

Dette dokumentet gir en oversikt over hva vi skal dekke i løpet av semesteret. Det lages delvis underveis, så det vil bli oppdateringer innimellom. Det vil kunne skje endringer i dokumentet underveis gjennom hele semesteret.

Hvert kapittel starter med en introduksjon til temaet og et empirisk eksempel. Datasettene vil dere finne i rommet i Canvas. Last de ned til egen maskin for å jobbe med dem.

Undervisningsvideoer

Det finnes noen undervisningsvideoer fra noen år tilbake. Disse dekker omtrent de vi går gjennom i undervisningen, men er ikke nødvendigvis helt oppdaterte. Dere har tilgang til disse videoene på denne lenken

Hva vi forutsetter av forkunnskaper

Dette kurset forutsetter at man har grunnleggende ferdigheter i kvantitative metoder og har brukt R før. Hvis du vet du trenger det: frisk opp litt fra tidligere kurs.

Når det er sagt, så er det begrenset hvor mye man må kunne fra før hvis du er motivert til å jobbe med stoffet skal du nok få til dette. Det blir mye nytt uansett.

Hvis du trenger oppfriskning av hvordan R fungerer, så er Wickham & Grolemunds bok “R for data science” et utmerket oppslagsverk. Men merk at vi i begrenset grad vil bruke “Tidyverse” til annet enn datahåndtering og noe grafikk.

R og Rstudio

Installasjon

Du må installere både R og Rstudio på din datamaskin. Hvis du har Windows-maskin trenger du også installere Rtools. Hvis du har Mac OS X kan det hende du må installere XQuartz.

Se ellers video fra SICSS

Pakker

R er basert på bruk av “pakker” som må installeres for å få tilgang til funksjoner vi skal bruke. Disse installeres med bruk av kommandoen install.packages(). F.eks. kan man installere pakken Tidyverse med følgende: install.packages("tidyverse").

For å installere flere pakker kan man kjøre install.packages() flere ganger, men det er enklere å liste opp alle pakkene i et objekt og så kjøre install.packages() på dette objektet. Noe slikt:

Vi skal i hvert fall bruke de pakkene som installeres med følgende kode:

pkgs <- c("tidyverse", "randomForest", "rpart", "rpart.plot",
           "rsample", "fairness", "DALEX", "fairmodels", "xgboost",
           "mgcv", "splines", "Ecdat",
           "ipred", "pROC", "caret", "forcats", "gtsummary", "janitor",
           "gbm", "dendextend", "directlabels", "GGally")
install.packages(pkgs)

Det kan hende vi kommer til å bruke flere etterhvert.

Men for at du skal kunne bruke pakkene må du aktivere dem i R ved library(). Dette må du gjøre hver gang du starter opp R. Hvert kapittel starter med en oversikt over hvilke pakker som brukes i det kapittelet.

Oversikt over pakker brukt i heftet

Tabellen under gir en oversikt over alle pakkene vi bruker, med en kort forklaring og de viktigste funksjonene.

Pakke	Beskrivelse	Viktige funksjoner	Kapittel
tidyverse	Samling av pakker for datahåndtering og grafikk	mutate(), select(), filter(), ggplot(), glimpse()	Alle
rsample	Splitting av data i training/testing	initial_split(), training(), testing()	Alle supervised-kapitler
mgcv	Generaliserte additive modeller (GAM)	gam(), s()	Lineær regresjon
splines	Spline-funksjoner for fleksibel regresjon	bs()	Lineær regresjon
Ecdat	Datasett for økonometri (Clothing-data)	data(Clothing)	Lineær regresjon
pROC	ROC-kurver og AUC-beregning	roc(), auc()	Logistisk regresjon
caret	Confusion matrix og modellevaluering	confusionMatrix()	Logistisk regresjon, CART, Bagging, Random forest, Boosting
rpart	Klassifikasjonstrær (CART)	rpart(), prune()	CART, Bagging
rpart.plot	Plotting av klassifikasjonstrær	rpart.plot(), rpart.rules()	CART, Bagging
ipred	Bagging av klassifikasjonstrær	bagging()	Bagging
forcats	Rekoding og håndtering av factor-variable	fct_lump(), fct_recode()	Bagging
randomForest	Random forest-algoritmen	randomForest(), varImpPlot(), partialPlot()	Random forest
fairness	Mål på rettferdighet/bias	acc_parity(), fnr_parity(), fpr_parity()	Boosting
gbm	Gradient boosting	gbm(), gbm.perf()	Boosting
DALEX	Forklarbare modell-objekter (explainers)	explain()	Fairness
fairmodels	Fairness-sjekk og visualisering	fairness_check(), fairness_heatmap()	Fairness
gtsummary	Pene sammendragstabeller	tbl_cross(), tbl_summary()	Boosting
janitor	Datarensing	clean_names()	Diverse
dendextend	Dendrogram-visualisering		Unsupervised
directlabels	Direkte labels i plot		Unsupervised
GGally	Utvidelser til ggplot2, scatterplotmatriser	ggpairs()	Unsupervised