Zpracování prediktorů s nízkou informací

Machine Learning s balíčkem caret v R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Proměnné s nulovým (nebo nízkým) rozptylem

  • Některé proměnné neobsahují mnoho informací
    • Konstantní (tj. nulový rozptyl)
    • Téměř konstantní (tj. nízký rozptyl)
  • V jednom foldu CV může snadno vzniknout konstantní sloupec
    • Může způsobit problémy pro modely
  • Proměnné s velmi nízkým rozptylem se obvykle odstraňují
Machine Learning s balíčkem caret v R

Příklad: konstantní sloupec v 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
Machine Learning s balíčkem caret v R

Příklad: konstantní sloupec v 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
Machine Learning s balíčkem caret v R

caret přichází na pomoc (znovu)

  • "zv" odstraní konstantní sloupce
  • "nzv" odstraní téměř konstantní sloupce
# Have caret remove those columns during modeling
set.seed(42)
model <- train(
  X, Y, method = "glm", 
  preProcess = c("zv", "center", "scale", "medianImpute", "pca")
)
min(model$results$RMSE)

3.402557
Machine Learning s balíčkem caret v R

Pojďme si procvičit!

Machine Learning s balíčkem caret v R

Preparing Video For Download...