Analýza hlavních komponent (PCA)

Machine Learning s balíčkem caret v R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Analýza hlavních komponent

Kombinuje prediktory s nízkou variancí a korelované prediktory
Jeden soubor prediktorů s vysokou variancí, vzájemně kolmých
Zabraňuje kolinearitě (tj. korelaci mezi prediktory)

PCA: vizuální znázornění

První komponenta má nejvyšší varianci
Druhá komponenta má druhou nejvyšší varianci
A tak dále ...

Příklad: data krevní bariéra

Mnoho prediktorů
Řada z nich s nízkou variancí

# Load the blood brain dataset
data(BloodBrain)
names(bbbDescr)[nearZeroVar(bbbDescr)]

[1] "negative"     "peoe_vsa.2.1" "peoe_vsa.3.1"
[4] "a_acid"       "vsa_acid"     "frac.anion7."
[7] "alert"

Příklad: data krevní bariéra

# Basic model
set.seed(42)
data(BloodBrain)
model <- train(
  bbbDescr, 
  logBBB, 
  method = "glm",
  trControl = trainControl(
    method = "cv", number = 10, verbose = TRUE
  ),
  preProcess = c("zv", "center", "scale")
)
min(model$results$RMSE)

1.107702

Příklad: data krevní bariéra

# Remove low-variance predictors
set.seed(42)
data(BloodBrain)
model <- train(
  bbbDescr, 
  logBBB, 
  method = "glm",
  trControl = trainControl(
    method = "cv", number = 10, verbose = TRUE
  ),
  preProcess = c("nzv", "center", "scale")
)
min(model$results$RMSE)

0.9796199

Příklad: data krevní bariéra

# Add PCA
set.seed(42)
data(BloodBrain)
model <- train(
  bbbDescr, 
  logBBB, 
  method = "glm",
  trControl = trainControl(
    method = "cv", number = 10, verbose = TRUE
  ),
  preProcess = c("zv", "center", "scale", "pca")
)
min(model$results$RMSE)

0.9796199

Pojďme cvičit!

Machine Learning s balíčkem caret v R