Metode multiple de preprocesare

Machine Learning cu caret în R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Universul larg al preProcess

Există mult mai mult decât imputarea prin mediană sau knn!
Se pot înlănțui mai mulți pași de preprocesare
„Rețetă" uzuală pentru modele liniare (ordinea contează!)
- Imputare prin mediană ⇒ centrare ⇒ scalare ⇒ ajustare glm
Vezi ?preProcess pentru mai multe detalii

Exemplu: preprocesarea 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

Exemplu: preprocesarea 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

Exemplu: preprocesarea 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

Ghid rapid de preprocesare

Începeți cu imputarea prin mediană
Încercați imputarea KNN dacă datele lipsesc non-aleatoriu
Pentru modele liniare ...
- Centrare și scalare
- Încercați PCA și semnul spațial
Modelele bazate pe arbori necesită puțină preprocesare

Să exersăm!

Machine Learning cu caret în R