Gestire predittori con poca informazione

Machine Learning con caret in R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Variabili con varianza nulla (o bassa)

Alcune variabili contengono poca informazione
- Costanti (cioè senza varianza)
- Quasi costanti (cioè bassa varianza)
Facile che una fold della CV abbia una colonna costante
- Può creare problemi ai modelli
In genere si rimuovono variabili con varianza molto bassa

Esempio: colonna costante in mtcars

# Reproduce dataset from last video
data(mtcars)
set.seed(42)
mtcars[sample(1:nrow(mtcars), 10), "hp"] <- NA
Y <- mtcars$mpg
X <- mtcars[, 2:4]

# Add constant-valued column to mtcars
X$bad <- 1

Esempio: colonna costante in mtcars

# Try to fit a model with PCA + glm
model <- train(
  X, Y, method = "glm", 
  preProcess = c("center", "scale", "medianImpute", "pca"))

Warning in preProcess.default(thresh = 0.95, k = 5, method = c("medianImpute",  :
  These variables have zero variances: bad
Something is wrong; all the RMSE metric values are missing:
      RMSE        Rsquared  
 Min.   : NA   Min.   : NA  
 1st Qu.: NA   1st Qu.: NA  
 Median : NA   Median : NA  
 Mean   :NaN   Mean   :NaN  
 3rd Qu.: NA   3rd Qu.: NA  
 Max.   : NA   Max.   : NA  
 NA's   :1     NA's   :1

caret corre in aiuto (di nuovo)

"zv" rimuove le colonne costanti
"nzv" rimuove le quasi costanti

# Fai rimuovere queste colonne a caret durante il modeling
set.seed(42)
model <- train(
  X, Y, method = "glm", 
  preProcess = c("zv", "center", "scale", "medianImpute", "pca")
)
min(model$results$RMSE)

3.402557

Passiamo alla pratica !

Machine Learning con caret in R