Analiza componentelor principale (PCA)

Machine Learning cu caret în R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Analiza componentelor principale

Combină variabilele cu varianță redusă și cele corelate
Un singur set de predictori cu varianță ridicată, perpendiculari
Previne colinearitatea (corelația dintre predictori)

PCA: reprezentare vizuală

Prima componentă are cea mai mare varianță
A doua componentă are a doua cea mai mare varianță
Și așa mai departe ...

Exemplu: date sânge-creier

Mulți predictori
Mulți cu varianță redusă

# 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"

Exemplu: date sânge-creier

# 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

Exemplu: date sânge-creier

# 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

Exemplu: date sânge-creier

# 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

Să exersăm!

Machine Learning cu caret în R