Více metod předzpracování

Machine Learning s balíčkem caret v R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Svět možností funkce preProcess

Možnosti nejsou omezeny jen na mediánovou nebo knn imputaci!
Lze řetězit více kroků předzpracování
Obvyklý „recept" pro lineární modely (pořadí záleží!)
- Mediánová imputace ⇒ centrování ⇒ škálování ⇒ fit glm
Viz ?preProcess pro více podrobností

Příklad: předzpracování mtcars

# Generate some data with missing values
data(mtcars)
set.seed(42)
mtcars[sample(1:nrow(mtcars), 10), "hp"] <- NA
Y <- mtcars$mpg
X <- mtcars[,2:4] # <- Missing at random

# Use linear model "recipe"
set.seed(42)
model <- train(
  X, Y, method = "glm",
  preProcess = c("center", "scale", "medianImpute")
)
print(min(model$results$RMSE))

3.612713

Příklad: předzpracování mtcars

# PCA before modeling
set.seed(42)
model <- train(
  X, Y, method = "glm",
  preProcess = c("center", "scale", "medianImpute", "pca")
)
min(model$results$RMSE)

3.402557

Příklad: předzpracování mtcars

# Spatial sign transform
set.seed(42)
model <- train(
  X, Y, method = "glm",
  preProcess = c("center", "scale", "medianImpute", "spatialSign")
)
min(model$results$RMSE)

4.284904

Přehled předzpracování

Začněte mediánovou imputací
Použijte KNN imputaci, pokud chybějící data nejsou zcela náhodná
Pro lineární modely ...
- Centrování a škálování
- Vyzkoušejte PCA a prostorové znaménko
Stromové modely předzpracování příliš nevyžadují

Pojďme si procvičit!

Machine Learning s balíčkem caret v R