-
Notifications
You must be signed in to change notification settings - Fork 0
/
.Rhistory
512 lines (512 loc) · 20.5 KB
/
.Rhistory
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
axis.text.y = element_text(size = 8),
plot.title = element_text(size = 8)
) +
scale_x_continuous(labels = scales::number_format(accuracy = 1)) +
scale_y_continuous(labels = scales::number_format(accuracy = 1))
}
# 5. Definir listas de parâmetros ----------------------------------------------
params_gm2<- list(
title = "v0-1-6_gm2",
x_label = expression("Predicted SOC stock g/m"^"2"),
y_label = expression("Observed SOC stock g/m"^"2"),
Observed = all_predictions_summary$Pred_gm2_mean,
Predicted = all_predictions_summary$Obs_gm2,
lower = all_predictions_summary$Upper_gm2, # Presumindo que você queira os intervalos de confiança invertidos também
upper = all_predictions_summary$Lower_gm2
)
params_tha <- list(
title = "v0-1-6_tha",
x_label = "Predicted SOC stock t/ha",
y_label = "Observed SOC stock t/ha",
Observed = all_predictions_summary$Pred_tha_mean,
Predicted = all_predictions_summary$Obs_tha,
lower = all_predictions_summary$Upper_tha, # Presumindo que você queira os intervalos de confiança invertidos também
upper = all_predictions_summary$Lower_tha
)
# 6. Gerar e visualizar gráficos------------------------------------------------
plot1 <- obsXpred_plot(params_gm2)
plot2 <- obsXpred_plot(params_tha)
# Salvar os gráficos
ggsave(filename = paste0("D:/0_Projetos/1_mbsolos-validation/results/v0-1-6/", params_gm2$title, ".png"), plot = plot1, width = 10, height = 5, units = "in")
ggsave(filename = paste0("D:/0_Projetos/1_mbsolos-validation/results/v0-1-6/", params_tha$title, ".png"), plot = plot2, width = 10, height = 5, units = "in")
print(plot1)
print(plot2)
# Theresa Rocco Pereira Baborsa
# 29/06/2024
# 0. Limpa environment ---------------------------------------------------------
rm(list = ls(all.names = TRUE))
# 1. Carregar bibliotecas ------------------------------------------------------
library(dplyr)
library(ggplot2)
library(gridExtra)
library(readxl)
# 2. Leitura dos dados -------------------------------------------------------
all_predictions <- readxl::read_excel("D:/0_Projetos/1_mbsolos-validation/results/v0-1-6/all_predictions-v0-1-6.xlsx")
# 3. Média e SD dos n Predicted por amostra Observed ---------------------------
all_predictions_summary <- all_predictions |>
dplyr::rename(
Obs_gm2 = Observed,
Pred_gm2 = Predicted) |>
dplyr::group_by(dataset_id, Obs_gm2) |>
dplyr::summarise(
Pred_gm2_mean = mean(Pred_gm2),
Pred_gm2_sd = sd(Pred_gm2),
.groups = 'drop'
) |>
dplyr::mutate(
Upper_gm2 = Pred_gm2_mean + Pred_gm2_sd,
Lower_gm2 = Pred_gm2_mean - Pred_gm2_sd,
Obs_tha = Obs_gm2 * 0.01, # 1 g/m² = 0.01 t/ha)
Pred_tha_mean = Pred_gm2_mean * 0.01,
Pred_tha_sd = Pred_gm2_sd * 0.01,
Upper_tha = Pred_tha_mean + Pred_tha_sd,
Lower_tha = Pred_tha_mean - Pred_tha_sd
)
# 4. Função obsXpred_plot para gerar o gráfico com base em alguns parâmetros----
obsXpred_plot <- function(params) {
ggplot(all_predictions_summary,
aes(x = params$Observed,
y = params$Predicted)) +
geom_errorbar(aes(ymin = params$lower,
ymax = params$upper,
color = params$Predicted),
size = 1) +
geom_point(aes(color = params$Predicted),
size = 2) +
geom_abline(intercept = 0,
slope = 1,
color = "black",
linetype = "solid",
size = 0.5) +
scale_color_gradient2(
low = "#D7C9BEFF", mid = "#8B775FFF", high = "#3B3217FF", #"#A56A3EFF"
midpoint = mean(range(params$Predicted)),
name = "Predicted Range"
) +
labs(
title = params$title,
x = params$x_label,
y = params$y_label
) +
theme_bw() +
theme(
text = element_text(size = 8),
axis.text.x = element_text(size = 8),
axis.text.y = element_text(size = 8),
plot.title = element_text(size = 8)
) +
scale_x_continuous(labels = scales::number_format(accuracy = 1)) +
scale_y_continuous(labels = scales::number_format(accuracy = 1))
}
# 5. Definir listas de parâmetros ----------------------------------------------
params_gm2<- list(
title = "v0-1-6_gm2",
x_label = expression("Predicted SOC stock g/m"^"2"),
y_label = expression("Observed SOC stock g/m"^"2"),
Predicted = all_predictions_summary$Pred_gm2_mean,
Observed = all_predictions_summary$Obs_gm2,
lower = all_predictions_summary$Lower_gm2,
upper = all_predictions_summary$Upper_gm2
)
params_tha <- list(
title = "v0-1-6_tha",
x_label = "Predicted SOC stock t/ha",
y_label = "Observed SOC stock t/ha",
Predicted = all_predictions_summary$Pred_tha_mean,
Observed = all_predictions_summary$Obs_tha,
lower = all_predictions_summary$Lower_tha,
upper = all_predictions_summary$Upper_tha
)
# 6. Gerar e visualizar gráficos------------------------------------------------
plot1 <- obsXpred_plot(params_gm2)
plot2 <- obsXpred_plot(params_tha)
# Salvar os gráficos
ggsave(filename = paste0("D:/0_Projetos/1_mbsolos-validation/results/v0-1-6/", params_gm2$title, ".png"), plot = plot1, width = 10, height = 5, units = "in")
ggsave(filename = paste0("D:/0_Projetos/1_mbsolos-validation/results/v0-1-6/", params_tha$title, ".png"), plot = plot2, width = 10, height = 5, units = "in")
print(plot1)
print(plot2)
# Theresa Rocco Pereira Baborsa
# 29/06/2024
# 0. Limpa environment ---------------------------------------------------------
rm(list = ls(all.names = TRUE))
# 1. Carregar bibliotecas ------------------------------------------------------
library(dplyr)
library(ggplot2)
library(gridExtra)
library(readxl)
# 2. Leitura dos dados -------------------------------------------------------
all_predictions <- readxl::read_excel("D:/0_Projetos/1_mbsolos-validation/results/v0-1-6/all_predictions-v0-1-6.xlsx")
# 3. Média e SD dos n Predicted por amostra Observed ---------------------------
all_predictions_summary <- all_predictions |>
dplyr::rename(
Obs_gm2 = Observed,
Pred_gm2 = Predicted) |>
dplyr::group_by(dataset_id, Obs_gm2) |>
dplyr::summarise(
Pred_gm2_mean = mean(Pred_gm2),
Pred_gm2_sd = sd(Pred_gm2),
.groups = 'drop'
) |>
dplyr::mutate(
Upper_gm2 = Pred_gm2_mean + Pred_gm2_sd,
Lower_gm2 = Pred_gm2_mean - Pred_gm2_sd,
Obs_tha = Obs_gm2 * 0.01, # 1 g/m² = 0.01 t/ha)
Pred_tha_mean = Pred_gm2_mean * 0.01,
Pred_tha_sd = Pred_gm2_sd * 0.01,
Upper_tha = Pred_tha_mean + Pred_tha_sd,
Lower_tha = Pred_tha_mean - Pred_tha_sd
)
# 4. Função obsXpred_plot para gerar o gráfico com base em alguns parâmetros----
obsXpred_plot <- function(params) {
ggplot(all_predictions_summary,
aes(x = params$Observed,
y = params$Predicted)) +
geom_errorbar(aes(ymin = params$lower,
ymax = params$upper,
color = params$Predicted),
size = 1) +
geom_point(aes(color = params$Predicted),
size = 2) +
geom_abline(intercept = 0,
slope = 1,
color = "black",
linetype = "solid",
size = 0.5) +
scale_color_gradient2(
low = "#D7C9BEFF", mid = "#8B775FFF", high = "#3B3217FF", #"#A56A3EFF"
midpoint = mean(range(params$Predicted)),
name = "Predicted Range"
) +
labs(
title = params$title,
x = params$x_label,
y = params$y_label
) +
theme_bw() +
theme(
text = element_text(size = 8),
axis.text.x = element_text(size = 8),
axis.text.y = element_text(size = 8),
plot.title = element_text(size = 8)
) +
scale_x_continuous(labels = scales::number_format(accuracy = 1)) +
scale_y_continuous(labels = scales::number_format(accuracy = 1))
}
# 5. Definir listas de parâmetros ----------------------------------------------
params_gm2 <- list(
title = "v0-1-6_gm2",
x_label = expression("Observed SOC stock g/m"^"2"),
y_label = expression("Predicted SOC stock g/m"^"2"),
Observed = all_predictions_summary$Obs_gm2,
Predicted = all_predictions_summary$Pred_gm2_mean,
lower = all_predictions_summary$Lower_gm2,
upper = all_predictions_summary$Upper_gm2
)
params_tha <- list(
title = "v0-1-6_tha",
x_label = "Observed SOC stock t/ha",
y_label = "Predicted SOC stock t/ha",
Observed = all_predictions_summary$Obs_tha,
Predicted = all_predictions_summary$Pred_tha_mean,
lower = all_predictions_summary$Lower_tha,
upper = all_predictions_summary$Upper_tha
)
# 6. Gerar e visualizar gráficos------------------------------------------------
plot1 <- obsXpred_plot(params_gm2)
plot2 <- obsXpred_plot(params_tha)
# Salvar os gráficos
ggsave(filename = paste0("D:/0_Projetos/1_mbsolos-validation/results/v0-1-6/", params_gm2$title, ".png"), plot = plot1, width = 10, height = 5, units = "in")
ggsave(filename = paste0("D:/0_Projetos/1_mbsolos-validation/results/v0-1-6/", params_tha$title, ".png"), plot = plot2, width = 10, height = 5, units = "in")
print(plot1)
print(plot2)
data_version <- "v0-1-6"
### Script para Validação Cruzada ###
#Data: 2023-12-12
#Autores: Erli dos Santos, Marcos Cardoso Taciara Horst
#Contato: [email protected], [email protected]
## Objetivo:
# Este script realiza modelagem estatística usando o algoritmo Random Forest para predizer a variável de resposta 'estoque'.
# Inclui etapas de preparação dos dados, treinamento do modelo com validação cruzada k-fold, avaliação de métricas de desempenho e
# salvamento dos resultados.
#- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
## Pacotes necessários -------------------------------------------------------
require(readr) # Para leitura de arquivos CSV
require(dplyr) # Para manipulação de dados
require(writexl) # Para escrever dados em Excel
require(ranger)
require(random) # Biblioteca aleatória
require(caret) # Para treinamento de modelos de aprendizado de máquina
#require(randomForest) #Alternativa ao ranger para modelagem com Random Forest
require(ranger) # Implementação de Random Forest otimizada para desempenho.
## Dividindo núcleos de processamento (optional) --------------------------------------------------------------
library(doParallel) #Para trabalhar com clusters
# Criando um cluster com um número de núcleos igual ao número de núcleos
cl <- makeCluster(detectCores()-2)
# Registrando o cluster para paralelizar operações
registerDoParallel(cl)
## Definindo caminhos para os diretórios de entrada e saída ----------------------------------------------------
data_version <- "v0-1-6"
input_data_path <- paste0("./data/")
output_models_path <- paste0("./models/", data_version, "/")
output_models_results_path <- paste0("./results/", data_version, "/")
# Criando diretórios caso não existam -----------------------------------------------------
dir.create(output_models_path, recursive = TRUE, showWarnings = FALSE)
dir.create(output_models_results_path, recursive = TRUE, showWarnings = FALSE)
# Importando e dividindo os datasets ------------------------------------------------------
original_data <- read_csv(paste0(input_data_path, "/matriz-", data_version, ".csv"))
#Define a variável k para o número de folds na validação cruzada (ainda não definido).
k = NA
## Criação do vetor de sementes aleatórias --------------------------------------------------------------------
# randomNumbers(n = 100, min = 100, max = 9999, col = 1) %>% as.vector() # código original para gerar 100 sementes aleatórias entre 100 e 9999.
#Define o vetor random_seeds com 100 sementes aleatórias.
random_seeds <- c(6842, 7045,1359, 4109, 7947, 9122, 2050, 6646, 8143, 8444,
6402, 1721, 6955, 3744, 3144, 3681, 9588, 3807, 4464, 1034,
950, 8778, 163, 7249, 3181, 9938, 1564, 685, 8560, 8504, 3092,
7722, 6351, 2368, 5969, 6367, 3921, 8767, 9040, 1415, 428,
4837, 8263, 1631, 4249, 1411, 4747, 3158, 7846, 430, 6366,
6428, 1305, 8981, 3461, 6489, 1580, 8997, 8685, 5944, 991,
3630, 4472, 9304, 8411, 4961, 6877, 1325, 1507, 6748, 9408,
5790, 8395, 6161, 8942, 8907, 329, 2263, 9397, 3317, 6359,
8121, 2416, 1121, 9781, 4723, 5186, 3671, 7715, 4939, 4640,
9268, 5138, 6258, 8862, 2386, 6146, 879, 6644, 1821)
## Covariáveis --------------------------------------------------------------------------------------------
covariables <- c(
#Mapa base Mapbiomas 1984
# 'mapbiomas_v001_1984',
#Soilgrids WRB probability classes
'Ferralsols',
'Histosols',
'Sandysols',
'Humisols',
'Thinsols',
'Wetsols',
#Soilgrids Soil Properties
'bdod',
'cec',
'cfvo',
'nitrogen',
'phh2o',
'soc',
# 'sand', (Utilizado no STOCKCOS v000)
# 'clay', (Utilizado no STOCKCOS v000)
# 'silt', (Utilizado no STOCKCOS v000)
'oxides',
'clayminerals',
#Granulometria MapBiomas
#v001 (Utilizado no STOCKCOS v001)
# 'mapbiomas_sand_v001',
# 'mapbiomas_silt_v001',
# 'mapbiomas_clay_v001',
#v002 (Utilizado a partir STOCKCOS v002)
# 'mapbiomas_sand_v002',
# 'mapbiomas_silt_v002',
# 'mapbiomas_clay_v002',
#v003 (Utilizado a partir STOCKCOS v002)
'mapbiomas_sand_v003',
'mapbiomas_silt_v003',
'mapbiomas_clay_v003',
#Black Soil
'black_soil_prob',
#Geomorphometry
'convergence',
'cti',
'eastness',
'northness',
'pcurv',
'roughness',
'slope',
'spi',
'elevation',
#Lat-Long (Utilizado nas versões inferiores a STOCKCOS v002)
# 'latitude',
# 'longitude',
#Coordenadas Obliquas (Utilizado a partir STOCKCOS v002)
'OGC_0',
'OGC_0_53',
'OGC_1_03',
'OGC_1_57',
'OGC_2_10',
'OGC_2_60',
#Koppen
'lv1_Humid_subtropical_zone',
'lv1_Tropical',
'lv2_monsoon',
'lv2_oceanic_climate_without_sry_season',
'lv2_with_dry_summer',
'lv2_with_dry_winter',
'lv2_without_dry_season',
'lv3_with_hot_summer',
'lv3_with_temperate_summer',
#Biomas
'Amazonia',
'Caatinga',
'Cerrado',
'Mata_Atlantica',
'Pampa',
'Pantanal',
#Fitofisionomia
'Floresta_Ombrofila_Aberta',
'Floresta_Estacional_Decidual',
'Floresta_Ombrofila_Densa',
'Floresta_Estacional_Semidecidual',
'Campinarana',
'Floresta_Ombrofila_Mista',
'Formacao_Pioneira',
'Savana',
'Savana_Estepica',
'Contato_Ecotono_e_Encrave',
'Floresta_Estacional_Sempre_Verde',
'Estepe',
'Area_Estavel',
#Quarta Comunicação Nacional
'cagb',
'cbgb',
'cdw',
'clitter',
'ctotal',
### Dinâmicas
#Indices de vegetação GT
# 'evi_mean',
# 'savi_mean',
# 'ndvi_mean',
#Indices de vegetação Mapbiomas
'mb_ndvi_median',
'mb_evi2_median',
'mb_savi_median',
'mb_ndvi_median_wet',
'mb_ndvi_median_dry',
'mb_evi2_median_wet',
'mb_evi2_median_dry',
'mb_savi_median_wet',
'mb_savi_median_dry',
#MapBiomas - Col.8/9
'campoAlagado-areaPantanosa',
'formacaoCampestre',
'formacaoFlorestal',
'formacaoSavanica',
'lavouras',
'mosaicoDeUsos',
'outrasFormacoesFlorestais',
'pastagem',
'restingas',
'silvicultura',
'antropico',
'natural'
)
## Definição das métricas usadas (script "statistical_functions.R) -----------------------------------------------------
source("D:/0_Projetos/1_mbsolos-validation/code/0_statistical_functions.R") # Fonte de um script externo contendo funções estatísticas
## Modelagem-----
# Inicialização de listas para armazenar resultados de validação cruzada
rf_kFold_cross_validation <- list() #Lista vazia para armazenar resultados
rf_kFold_best_models <- list() #Lista vazia para armazenar os melhores modelos
all_predictions <- list() # Lista vazia para armazenar as predições
fold_samples <- list() # Armazena os dataset_id usados em cada fold
for (i in seq(along.with = random_seeds)) { #Este loop itera sobre todas as sementes aleatórias armazenadas em random_seeds
ti <- Sys.time() #Armazena tempo de inicio
print(paste("Start time:", Sys.time(),"; random seed:", random_seeds[i])) #Para mostrar as mensagens Start time: tempo atual; Random seed: seed usada
## Configura a semente de randomização para garantir a reprodutibilidade dos resultados
set.seed(random_seeds[i])
## Prepara um objeto de controle kfold
cv_control_object <- trainControl(method = "cv", number = 10, #Define o método (Validação cruzada) e numero de folds (10)
summaryFunction = my_summary_metrics, #É especificada como a função de resumo para para calcular as métricas estatísticas
returnResamp = 'all',
savePredictions = 'final',
indexOut = createFolds(original_data$estoque, k = 10, list = TRUE, returnTrain = FALSE)) #Para retornar todas as amostras de treinamento e validação
# ## Treinando o modelo
# tuned_RF_kfold_cv <- train( #Treina um modelo Random Forest
# as.formula(paste("estoque", "~",
# paste(covariables, collapse = '+'))), #Define a fórmula do modelo, especificando a variável de resposta ("estoque") e as covariáveis como variáveis explicativas
# data = original_data, # Especifica o conjunto de dados utilizado para treinamento
# method = "ranger", # Especifica o método de treinamento como "ranger" (Random Forest)
# num.trees = 1000, #Número de árvores de regressão
# replace = TRUE, #Especifica se a reposição deve ser usada na amostragem de dados para treinamento.
# sample.fraction = 0.632, #Especifica a fração de dados a serem usados para treinamento.
# importance = "permutation", #Método para calcular a importância das variáveis: "permutation" permuta valores de uma variável para medir a importância
# trControl = cv_control_object, #Especifica o objeto de controle de validação cruzada a ser usado. O objeto cv_control_object foi criado anteriormente e especifica que a validação cruzada será realizada com 10 folds.
# tuneGrid = expand.grid( ## Grade de valores a serem ajustados durante o processo de ajuste (tuning)
# mtry = 25, #Número de variáveis consideradas para a divisão em cada nó
# min.node.size = 5, #Número mínimo de observações em um nó termina
# splitrule = "variance") #Método para dividir os nós da árvore
# )
tuned_RF_kfold_cv <- train(
as.formula(paste("estoque", "~",
paste(covariables, collapse = '+'))),
data = original_data,
method = "ranger",
num.trees = 400,
replace = TRUE,
sample.fraction = 0.632,
importance = "permutation",
maxNodes = 20,
trControl = cv_control_object,
tuneGrid = expand.grid(
mtry = 10,
min.node.size = 5,
splitrule = "variance")
)
# Registro dos índices de cada fold
for (j in seq_along(cv_control_object$indexOut)) {
ids_in_fold <- original_data$dataset_id[cv_control_object$indexOut[[j]]]
fold_info <- data.frame(Model = paste("Model", i),
Fold = j,
Dataset_ID = ids_in_fold)
fold_samples[[paste("Model", i, "Fold", j)]] <- fold_info
}
# Combina todos os dados de fold em um único DataFrame
all_fold_data <- do.call(rbind, fold_samples)
## Armazenamento da predição para cada ponto de observação
predictions <- predict(tuned_RF_kfold_cv, newdata = original_data)
observed_vs_predicted <- data.frame(
dataset_id = original_data$dataset_id,
# Latitude = original_data$latitude,
# Longitude = original_data$longitude,
Observed = original_data$estoque,
Predicted = predictions,
model_index = i
)
if (is.null(all_predictions)) {
all_predictions <- observed_vs_predicted
} else {
all_predictions <- rbind(all_predictions, observed_vs_predicted)
}
# Remove o objeto de controle após o treinamento do modelo para liberar memória
# remove(cv_control_object)
## Obtenção de métricas de treinamento -------
## Obtenção de métricas de validação cruzada
#Extrai o objeto resample do modelo treinado (tuned_RF_kfold_cv) e adiciona novas colunas
cv <- tuned_RF_kfold_cv[["resample"]] %>% #Armazena os resultados no dataframe "cv"
mutate(model = i) %>% #Indica o número do modelo atual
mutate(map_version = data_version, #Armazena a versão do mapa de solos utilizada
n_clusters = k) #Armazena o número de clusters utilizados
#Os resultados da validação cruzada (cv) são armazenados na lista rf_kFold_cross_validation na posição correspondente ao índice i
rf_kFold_cross_validation[[i]] <- cv
# Obtém as estatísticas dos melhores modelos ajustados
hyperparameters <- tuned_RF_kfold_cv[["bestTune"]] #Extrai o objeto bestTune do modelo treinado (tuned_RF_kfold_cv), que contém os hiperparâmetros selecionados como os melhores.
#Seleciona os o resultado que corresponde ao melhor mtry
result <- tuned_RF_kfold_cv[["results"]] %>% #Filtra o objeto results do modelo treinado
filter(mtry == hyperparameters[1, 1]) #Seleciona apenas o resultado que corresponde ao melhor valor de mtry encontrado nos hiperparâmetros
# Adiciona informações aos resultados armazenados na lista
rf_kFold_best_models[[i]] <- result %>% mutate(model = i) %>%
mutate(map_version = data_version, n_clusters = k)
## Limpeza de memória
remove(cv, hyperparameters, result)
gc() #Executa a coleta de lixo para liberar memória não utilizada
## Salvamento os modelos ajustados----------------------------------------------------------------------------------------------------------------------------------------------
if (!dir.exists(output_models_path)){ #Verifica se o diretório existe
dir.create(output_models_path) #Cria o diretório caso não exita
save(tuned_RF_kfold_cv, #Cria arquivo com os resultados
file = paste0(output_models_path,
"tuned_RF_cv_model_", i, ".RData"))
} else {
save(tuned_RF_kfold_cv,
file = paste0(output_models_path,
"tuned_RF_cv_model_", i, ".RData"))
}
#Calcula e imprime o tempo gasto no treinamento do modelo.
tf <- Sys.time() #Armazena o tempo atual
print(paste0("Time spent training the model ", i, ":"))
print(tf - ti)
## Limpeza de memória
remove(tuned_RF_kfold_cv, i, ti, tf)
gc() #Executa a coleta de lixo para liberar memória não utilizada
}