first version of C03Lb_ml3

Author: GuyliannEngels

inst/tutorials/C03Lb_ml3/C03Lb_ml3.Rmd

@@ -4,7 +4,7 @@ author: "Guyliann Engels & Philippe Grosjean"
 description: "**SDD III Module 3** Machines à vecteurs supports et réseaux de neurones."
 tutorial:
   id: "C03Lb_ml3"
-version: 2.0.0/0
+version: 2.0.0/4
 output:
   learnr::tutorial:
   progressive: true
@@ -17,7 +17,30 @@ BioDataScience3::learnr_setup()
 SciViews::R()
 library(mlearning)
 
-# ...
+# datasets
+dermatology <- read("dermatology", package= "BioDataScience3")
+derma <- sselect(dermatology, c(1:11, 34:35))
+derma <- na_omit(derma, cols = "age")
+
+# quizz
+set.seed(960412)
+## Classifieur
+# Machine à vecteurs supports
+derma_svmr <- mlSvm(data = derma, class~.)
+# Machine à vecteurs supports avec un noyau linéaire
+derma_svml <- mlSvm(data = derma, class~., kernel = "linear")
+# Réseaux de neurones artificiels
+derma_nnet <- mlNnet(data = derma, class~.)
+## Métriques
+# Machine à vecteurs supports
+cvpredict(derma_svmr, cv.k = 5) |> confusion(derma$class) |> summary() ->
+  svmr_tab
+# Machine à vecteurs supports avec un noyau linéaire
+cvpredict(derma_svml, cv.k = 5) |> confusion(derma$class) |> summary() ->
+  svml_tab
+# Réseaux de neurones artificiels
+cvpredict(derma_nnet, cv.k = 5) |> confusion(derma$class) |> summary() ->
+  nnet_tab
 ```
 
 ```{r, echo=FALSE}
@@ -32,8 +55,169 @@ BioDataScience3::learnr_server(input, output, session)
 
 ## Objectifs
 
--   ...
+Ce tutoriel a pour objectif de vous faire découvrir 2 nouvelles méthodes qui vont s'ajouter à l'analyse discriminante linéaire, les K plus proches voisins, le partitionnement récursif et la forêt aléatoire. Les méthodes sont la machine à vecteurs supports et le réseaux de neurones artificiels.
+
+Ces deux nouvelles méthodes sont disponible dans le package {mlearning}
+
+| **Méthode**                     | **Fonction**                 |
+|---------------------------------|------------------------------|
+| Analyse discriminante linéaire  | mlLda(data, formula,...)     |
+| K plus proches voisins          | mlKnn(data, formula,...)     |
+| Partitionnement récursif        | mlRpart(data, formula,...)   |
+| Foret aléatoire                 | mlRforest(data, formula,...) |
+| Machine à vecteurs supports     | mlSvm(data, formula,...)     |
+| Réseaux de neurones artificiels | mlNnet(data, formula,...)    |
+
+## Discrimination de maladie de la peau.
+
+Discriminer des maladies de la peau n'est pas une tache aisée pour les dermatologue. Plusieurs maladies peuvent avoir des symptômes similaires. Aidez ces médecins à mettre en place un classifieur pouvant les aider à distinguer une maladie sur base de 12 variables cliniques.
+
+Vous avez à votre disposition le tableau `derma`.
+
+```{r, echo = TRUE}
+dermatology <- read("dermatology", package= "BioDataScience3")
+```
+
+Ce tableau comprend 12 variables obtenues par des observations directes du médécin et 22 requièrent un prélèvement pour être étudier à l'aide de méthode histoplogiques.
+
+```{r}
+skimr::skim(dermatology)
+```
+
+Ce jeu de données comprends 8 valeurs manquantes pour la variable age. La variable `class` reprend les 6 niveaux que vous allez devoir prédire avec vos classifieurs. La différentes maladies ne sont pas distribuées de manière homogène dans le tableau de données.
+
+La variable `family_history` peut prendre soit la valeur de 0 (aucune maladie de la peau dans la famille), soit la valeur de 1 (maladie présente dans la famille.) Les autres attributs peuvent prendre 4 valeurs allant de 0 (absence), 1, 2 et 3 (très important).
 
-## Classification supervisée avec ...
+Tentez de mettre en place un classifieur n'utilisant que les observations cliniques. Sélectionnez les variables 1 à 11 et 34 à 35. Utilisez la fonction `sselect()`. Filtrez ensuite les individus contenant des valeurs manquantes avec la fonction na_omit().
+
+```{r derma_h2, exercise= TRUE}
+# Selection des varaibles d'intérêts
+derma <- sselect(___, c(___:___, ___:___))
+# Elimination des NA
+___ <- na_omit(___, cols = ___)
+```
+
+```{r derma_h2-hint-1}
+# Selection des varaibles d'intérêts
+derma <- sselect(dermatology, c(___:___, ___:___))
+# Elimination des NA
+derma <- na_omit(derma, cols = ___)
+```
+
+```{r derma_h2-solution}
+# Selection des varaibles d'intérêts
+derma <- sselect(dermatology, c(1:11, 34:35))
+# Elimination des NA
+derma <- na_omit(derma, cols = "age")
+```
+
+```{r derma_h2-check}
+grade_code("Bien joué ! Le remaniement des données n'a plus de secret pour vous.")
+```
+
+C'est à vous d'explorer ce tableau. Vous avez la possibilité de réaliser tous les analyses et graphiques que vous désirez.
+
+```{r explo_noscor, exercise=TRUE}
+
+```
 
-TODO: ce tutoriel doit encore être écrit. Vous devez probablement penser à installer une version plus récente du package qui contient les exercices finalisés !
+## Création des classifieurs
+
+Créez à présent trois classifieurs utilisant la machine à vecteurs supports avec un noyau radial, la machine à vecteurs supports avec un noyeau linéaire et le réseaux de neurones artificiels. Utilisez le tableau `derma` et prédisez la variable `class`.
+
+```{r, classif_h2, exercise = TRUE}
+set.seed(960412)
+# Machine à vecteurs supports
+derma_svmr <- mlSvm(data = ___, ___~___)
+# Machine à vecteurs supports avec un noyau linéaire
+derma_svml <- mlSvm(data = ___, ___~___, ___ = "linear")
+# Réseaux de neurones artificiels
+derma_nnet <- mlNnet(data = ___, ___~___)
+```
+
+```{r, classif_h2-hint-1}
+set.seed(960412)
+# Machine à vecteurs supports
+derma_svmr <- mlSvm(data = derma, ___~___)
+# Machine à vecteurs supports avec un noyau linéaire
+derma_svml <- mlSvm(data = ___, ___~___, kernel = "linear")
+# Réseaux de neurones artificiels
+derma_nnet <- mlNnet(data = ___, ___~___)
+```
+
+```{r, classif_h2-solution}
+set.seed(960412)
+# Machine à vecteurs supports
+derma_svmr <- mlSvm(data = derma, class~.)
+# Machine à vecteurs supports avec un noyau linéaire
+derma_svml <- mlSvm(data = derma, class~., kernel = "linear")
+# Réseaux de neurones artificiels
+derma_nnet <- mlNnet(data = derma, class~.)
+```
+
+Evaluer les performances de vos trois classifieurs par validation croisée 5 fois.
+
+```{r predict_h2, exercise = TRUE}
+set.seed(960412)
+# Machine à vecteurs supports
+cvpredict(___, ___ = ___) |> confusion(___$___) |> summary()
+# Machine à vecteurs supports avec un noyau linéaire
+cvpredict(___, ___ = ___) |> confusion(___$___) |> summary()
+# Réseaux de neurones artificiels
+cvpredict(___, __ = ___) |> confusion(___$___) |> summary()
+```
+
+```{r predict_h2-hint-1}
+set.seed(960412)
+# Machine à vecteurs supports
+cvpredict(derma_svmr, cv.k = 5) |> confusion(___$___) |> summary()
+# Machine à vecteurs supports avec un noyau linéaire
+cvpredict(___, ___) |> confusion(___$___) |> summary()
+# Réseaux de neurones artificiels
+cvpredict(___, ___) |> confusion(___$___) |> summary()
+```
+
+```{r predict_h2-solution}
+set.seed(960412)
+# Machine à vecteurs supports
+cvpredict(derma_svmr, cv.k = 5) |> confusion(derma$class) |> summary()
+# Machine à vecteurs supports avec un noyau linéaire
+cvpredict(derma_svml, cv.k = 5) |> confusion(derma$class) |> summary()
+# Réseaux de neurones artificiels
+cvpredict(derma_nnet, cv.k = 5) |> confusion(derma$class) |> summary()
+```
+
+```{r predict_h2-check}
+grade_code("Bien joué ! Il ne vous reste plus qu'à répondre aux questions ci-dessous")
+```
+
+```{r qu_pred}
+#nnet_tab
+#svml_tab
+#svmr_tab
+
+question("Quel classifieur permet d'avoir la meilleure précision pour la classe des `seboreic dermatitis`?",
+    answer("Machine à vecteurs supports avec un noyau linéaire", correct = TRUE),
+    answer("Machine à vecteurs supports à noyau radial"),
+    answer("Réseaux de neurones artificiels"),
+    allow_retry = TRUE, 
+    submit_button = "Soumettre une réponse",
+    try_again_button = "Resoumettre une réponse",
+    incorrect = "Mauvaise réponse. Recommencez et analysez les métriques des trois classifieurs.",
+    correct = "Bravo, c'est correct !")
+
+```
+
+## Conclusion
+
+Bien joué ! Vous venez de découvrir 2 nouveaux algorithmes de classifications supervisées. Votre boite à outils s'étoffe encore.
+
+```{r comm_noscore, echo=FALSE}
+question_text(
+  "Laissez-nous vos impressions sur cet outil pédagogique",
+  answer("", TRUE, message = "Pas de commentaires... C'est bien aussi."),
+  incorrect = "Vos commentaires sont enregistrés.",
+  placeholder = "Entrez vos commentaires ici...",
+  allow_retry = TRUE
+)
+```