Imputarea medianei

Machine Learning cu caret în R

Max Kuhn

Software Engineer at RStudio and creator of caret

Gestionarea valorilor lipsă

Majoritatea modelelor necesită valori numerice, nu pot gestiona date lipsă
Abordare comună: eliminarea rândurilor cu date lipsă
- Poate introduce distorsiuni în date
- Generează modele supra-încrezătoare
Strategie mai bună: imputarea medianei!
- Înlocuiți valorile lipsă cu mediane
- Funcționează bine dacă datele lipsesc aleatoriu (MAR)

Exemplu: mtcars

# Generate some data with missing values
data(mtcars)
set.seed(42)
mtcars[sample(1:nrow(mtcars), 10), "hp"] <- NA

# Split target from predictors
Y <- mtcars$mpg
X <- mtcars[, 2:4]

# Try to fit a caret model
library(caret)
model <- train(X, Y)

Error in train.default(X, Y) : Stopping

O soluție simplă

# Now fit with median imputation
model <- train(X, Y, preProcess = "medianImpute")
print(model)

Random Forest 

32 samples
 3 predictor

Pre-processing: median imputation (3) 
Resampling: Bootstrapped (25 reps) 
Summary of sample sizes: 32, 32, 32, 32, 32, 32, ... 
Resampling results across tuning parameters:

  mtry  RMSE      Rsquared 
  2     2.617096  0.8234652
  3     2.670550  0.8164535

RMSE was used to select the optimal model using the smallest value.
The final value used for the model was mtry = 2.

Să exersăm!

Machine Learning cu caret în R