---
title: "Introdução ao aprendizado de máquina"
subtitle: "Aula 7"
author: "Bruno Montezano"
institute: "Grupo Alliance<br>Programa de Pós-Graduação em Psiquiatria e Ciências do Comportamento<br>Universidade Federal do Rio Grande do Sul"
date: last-modified
date-format: long
lang: pt-br
execute:
  echo: true
format:
  revealjs:
    incremental: true
    smaller: true
    theme: [default, ../assets/custom.scss]
    logo: "../assets/logo_ufrgs.png"
---

## Conteúdo de hoje

- O que é machine learning?
- Aprendizado supervisionado e não-supervisionado
- Regressão e classificação
- Exemplo de regressão logística

## Machine learning

* Conjunto de técnicas que ensina um computador a reconhecer padrões e fazer previsões

. . .

```{r exemplo-decision-tree}
#| echo: false
#| out.width: "90%"
#| fig-align: "center"

# Carregar pacotes para ajustar árvore de decisão e dados do Titanic
library(rpart)
library(rpart.plot)
library(titanic)

# Recodificar algumas variáveis
titanic_treino <- titanic_train |> 
  dplyr::mutate(
    Survived = factor(
      dplyr::case_when(
        Survived == 1 ~ "Sobreviveu",
        Survived == 0 ~ "Faleceu"
      )
    ),
    Sex = dplyr::case_when(
      Sex == "male" ~ "Masculino",
      Sex == "female" ~ "Feminino"
    )
  ) |> 
  dplyr::rename(Sexo = Sex,
                Idade = Age)

# Ajustar a árvore de decisão
titanic_ajuste <- rpart(Survived ~ Sexo + Idade,
                               data = titanic_treino)

# Mostrar gráfico da árvore
rpart.plot(titanic_ajuste,
           extra = 6,
           fallen.leaves = TRUE,
           yes.text = "Sim",
           no.text = "Não",
           main = "Sobrevivência no desastre do Titanic: um exemplo de árvore de decisão")
```

## Tipos de aprendizado

```{r plot-tipos-aprendizado}
#| echo: false
#| fig-align: "center"
#| out.width: "90%"

library(ggplot2)

set.seed(123)
dados_aprendizado <- data.frame(
  X = c(rnorm(50, mean = 0), rnorm(50, mean = 3)),
  Y = c(rnorm(50, mean = 0), rnorm(50, mean = 3)),
  Tipo = rep(c("Grupo A", "Grupo B"), each = 50)
)

p_supervisionado <- ggplot(dados_aprendizado, aes(x = X, y = Y, color = Tipo)) +
  geom_point(alpha = 0.8,
             size = 2.2) +
  labs(title = "Aprendizado Supervisionado") +
  theme_light(16, "Charter") +
  ggsci::scale_color_jama() +
  theme(legend.position = "none") +
  labs(x = latex2exp::TeX("$x_1$"),
       y = latex2exp::TeX("$x_2$"))

p_nao_supervisionado <- ggplot(dados_aprendizado, aes(x = X, y = Y)) +
  geom_point() +
  labs(title = "Aprendizado Não Supervisionado") +
  theme_light(16, "Charter") +
  ggforce::geom_mark_circle(aes(fill = Tipo)) +
  ggsci::scale_fill_jama() +
  labs(x = latex2exp::TeX("$x_1$"),
       y = latex2exp::TeX("$x_2$")) +
  theme(legend.position = "none")

library(patchwork)
p_supervisionado + p_nao_supervisionado
```

<br>

. . .

Vamos trabalhar com um exemplo em **aprendizado supervisionado**!

## Aprendizado supervisionado

```{r classificacao-regressao}
#| echo: false
#| fig-align: "center"
#| out.width: "90%"

set.seed(123)
dados_regressao <- data.frame(
  X = seq(1, 10, by = 0.5),
  Y = seq(2, 20, by = 1)
)

set.seed(123)
dados_classificacao <- data.frame(
  X = c(rnorm(300, mean = 2, sd = 1.5), rnorm(300, mean = 8, sd = 3)),
  Y = c(rep(0, 300), rep(1, 300))
)

set.seed(123)
p_regressao <- ggplot(dados_regressao, aes(x = X, y = Y)) +
  geom_jitter(alpha = 0.8,
              size = 2.5) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(title = "Problema de Regressão") +
  theme_light(18, "Charter") +
  labs(x = latex2exp::TeX("$x_1"),
       y = latex2exp::TeX("$Y$"))

set.seed(123)
p_classificacao <- ggplot(dados_classificacao, aes(x = X, y = Y)) +
  geom_jitter(aes(color = as.factor(Y)), size = 2.5,
             alpha = 0.4,
             height = 0.002,
             width = 0) +
  geom_smooth(method = "glm", method.args = list(family = "binomial"),
              se = FALSE) +
  ggsci::scale_color_npg() +
  labs(title = "Problema de Classificação") +
  theme_light(18, "Charter") +
  theme(legend.position = "none") +
  labs(x = latex2exp::TeX("$x_1"),
       y = latex2exp::TeX("$Y$")) +
  scale_y_continuous(breaks = 0:1)

p_regressao + p_classificacao
```

. . .

Hoje vamos trabalhar com **classificação**.

## Problema de classificação

Pergunta de pesquisa: **Podemos prever o sexo de um pinguim baseado em sua espécie, comprimento do
bico e da nadadeira, profundidade do bico e massa corporal?**

```{r exploratoria-pinguins}
#| echo: false
#| fig-align: "center"
#| out.width: "90%"

library(dados)
library(dplyr)

pinguins |> 
  filter(!is.na(sexo)) |> 
  ggplot(aes(x = profundidade_bico,
             y = comprimento_bico,
             color = sexo,
             size = massa_corporal)) +
  geom_point(alpha = 0.55) +
  facet_wrap(~ especie) +
  ggsci::scale_color_nejm(labels = c("Fêmea", "Macho")) +
  theme_classic(12, "Charter") +
  labs(x = "Profundidade do bico (mm)",
       y = "Comprimento do bico (mm)",
       color = "Sexo",
       size = "Massa corporal (g)")
```

## Regressão logística

* Uma "extensão" da regressão linear para problemas de classificação

* Usa a função logística para transformar saída da regressão linear em uma probabilidade^[No R, a função logística pode ser usada com `LaplacesDemon::invlogit()`.]

* Coeficientes: efeito logarítmico do $X$ sobre a razão de chances (*odds ratio*). Ou seja, não devemos
interpretar os coeficientes diretamente

* Em geral, usamos um limiar para decidir em qual classe o dado pertence (geralmente 0,5)

* Para calcular o *odds ratio* no R, podemos exponenciar o coeficiente da regressão
com a função `exp()`

## `tidymodels`

![](../assets/logo_tidymodels.png){fig-align="center" width=45%}

## Pacote `tidymodels`

```{r carregar-tidymodels}
#| message: true
library(tidymodels)
```

## Passo a passo

1. Limpar os dados

2. Dividir os dados em treino e teste

3. Criar reamostragens com *bootstrapping*

4. Especificar o algoritmo a ser usado

5. Especificar o fluxo de modelagem com a pergunta de pesquisa

6. Ajustar modelos nas reamostragens

7. Verificar como o modelo performou

8. Ajustar o modelo final no conjunto de treino e testar no conjunto de teste

9. Checar os coeficientes

## 1. Limpar os dados

* Nesta etapa, vamos remover pinguins com valor ausente no desfecho

* E também remover as variáveis de ano e ilha que não usaremos

. . .

```{r limpar-dados-pinguins}
dados_pinguins <- pinguins |> 
  filter(!is.na(sexo)) |> 
  select(-ano, -ilha)

dados_pinguins
```

## 2. Dividir os dados

* Quando falamos em aprendizado supervisionado, buscamos simular a predição de dados nunca
visto antes

. . .

```{r dividir-dados-pinguins}
set.seed(1)

divisao_pinguins <- initial_split(dados_pinguins, strata = "sexo", prop = 0.75)
treino_pinguins <- training(divisao_pinguins)
teste_pinguins <- testing(divisao_pinguins)

divisao_pinguins
```

## 3. Criar reamostragens

* *Bootstrapping*: técnica que nos permite estimar a variabilidade do desempenho do modelo de
classificação a partir de uma única amostra de treinamento

* Como funciona: criamos várias amostras de treinamento adicionais, sorteando aleatoriamente observações
do conjunto de treino original

. . .

```{r criar-reamostragens}
set.seed(1)

boot_pinguins <- bootstraps(treino_pinguins, times = 25)

boot_pinguins
```

## 4. Especificar o algoritmo

* Especificamos que queremos usar uma *regressão logística binomial*

* Dizemos para o R que o motor (*engine*) usado é a função `glm()`

. . .

```{r especificar-algoritmo}
mod_log <- logistic_reg() |> 
  set_mode("classification") |> 
  set_engine("glm")

mod_log
```

## 5. Especificar o fluxo

* Vamos dizer para o R que queremos prever o `sexo` do pinguim a partir de todas as outras
variáveis do conjunto de dados

. . .

```{r especificar-workflow}
wf_pinguins <- workflow() |> 
  add_formula(sexo ~ .)

wf_pinguins
```

## 6. Ajustar modelos nas reamostragens

* Para cada reamostragem (de treino e teste), vamos ajustar o modelo em cada base de treino
e avaliar como o modelo desempenhou a partir das bases de teste

. . .

```{r ajustar-reamostragens}
rs_pinguins <- wf_pinguins |> 
  add_model(mod_log) |> 
  fit_resamples(
    resamples = boot_pinguins,
    control = control_resamples(
      save_pred = TRUE,
      verbose = TRUE
    )
  )

rs_pinguins
```

## 7. Verificar a performance

* A curva ROC nos permite visualizar o desempenho do modelo em diferentes pontos de corte

* Quanto mais próximo a curva estiver do canto superior esquerdo, melhor será o desempenho do modelo

* Acurácia é a proporção de predições corretas em relação ao total de predições

. . .

```{r pegar-metricas}
collect_metrics(rs_pinguins)
```

. . .

```{r matriz-confusao-reamostragens}
rs_pinguins |> 
  conf_mat_resampled()
```

## 7. Verificar a performance

```{r curva-roc-reamostragem}
#| echo: false
#| out.width: "65%"
#| fig-align: "center"
rs_pinguins |> 
  collect_predictions() |> 
  group_by(id) |> 
  roc_curve(sexo, .pred_fêmea) |> 
  ggplot(aes(1 - specificity, sensitivity, color = id)) +
  geom_abline(lty = 2, color = "gray80", size = 1.2) +
  geom_path(show.legend = FALSE, alpha = 0.6, size = 1.2) +
  coord_equal() +
  theme_light(12, "Charter") +
  labs(x = "1 - Especificidade", y = "Sensibilidade")
```

## 8. Ajustar o modelo final

* Agora o conjunto de testes entra em ação para verificar como nosso modelo vai performar nestes
dados nunca visto antes

. . .

```{r ajustar-modelo-final}
final_pinguins <- wf_pinguins |> 
  add_model(mod_log) |> 
  last_fit(divisao_pinguins)

collect_metrics(final_pinguins)

collect_predictions(final_pinguins) |> 
  conf_mat(sexo, .pred_class)
```

## 9. Olhar os coeficientes

* *Odds ratio*:
  - OR = 1 (sem efeito); OR > 1 (risco); OR < 1 (proteção)
  - Variáveis numéricas: incremento percentual na chance para cada unidade de aumento
  - Variáveis categóricas: grupo 1 tem maior chance do evento ocorrer em comparação ao grupo 2
  
. . .

```{r coeficientes}
final_pinguins |> 
  extract_workflow() |> 
  tidy(exponentiate = TRUE) |> 
  arrange(desc(estimate))
```

## Tarefa de casa

::: columns
::: {.column width="55%"}
* Dica de leitura: [An Introduction to Statistical Learning](https://www.statlearning.com/)

* Rodar os códigos dos slides para tentar reproduzir o exemplo
  - Lembre-se de instalar o pacote `tidymodels` caso não o tenha
:::

::: {.column width="45%"}
![](../assets/capa_islr.jpg){width=65%}
:::
:::