Predictori numerici

Modelare cu tidymodels în R

David Svancer

Data Scientist

Variabile predictoare corelate

Corelația măsoară intensitatea relației liniare dintre două variabile numerice

Variază de la -1 la 1
Predictorii puternic corelați sunt apropiați de -1 sau 1
- Furnizează informații redundante
- Probleme de ajustare a modelului (multicoliniaritate)

ggplot(leads_training,
       aes(x = pages_per_visit, y = total_clicks)) + 
  geom_point()  + 
  labs(title = 'Total Clicks vs Average Page Visits',
       y = 'Total Clicks', x = 'Average Pages per Visit')

Grafic scatter: total clicuri față de pagini per vizită în datele de lead scoring

Identificarea variabilelor predictoare corelate

Calcularea unei matrice de corelație

Transmiteți setul de date funcției select_if()
- Furnizați is.numeric ca argument
Transmiteți funcției cor()

leads_training %>%

  select_if(is.numeric) %>%

  cor()

              total_visits total_time pages_per_visit total_clicks
total_visits        1.00       0.01            0.43         0.42
total_time          0.01       1.00            0.02         0.01
pages_per_visit     0.43       0.02            1.00         0.96
total_clicks        0.42       0.01            0.96         1.00

Procesarea predictorilor corelați

Eliminarea multicoliniarității cu recipes

Specificați obiectul recipe cu funcția recipe()
Transmiteți la step_corr()
- Adăugați toate coloanele numerice
  - Nume de coloane separate prin virgule
- Furnizați pragul de corelație threshold
  - Valoare absolută
  - Un prag de 0,9 elimină corelațiile de 0,9 sau mai mari și de -0,9 sau mai mici

leads_cor_rec <- recipe(purchased ~ .,
                        data = leads_training) %>%

  step_corr(total_visits, total_time,
            pages_per_visit, total_clicks,
            threshold = 0.9)


leads_cor_rec

Data Recipe
Inputs:
      role #variables
   outcome          1
 predictor          6

Operations:
Correlation filter on total_visits,..., total_clicks

Selectarea predictorilor după tip

all_outcomes()
- Selectează variabila rezultat
all_numeric()
- Selectează toate variabilele numerice
  - Include variabila rezultat dacă este numerică

Pentru a selecta predictori numerici în pașii recipe

Transmiteți all_numeric() funcțiilor step_*()
Dacă variabila rezultat este numerică, transmiteți și -all_outcomes()

leads_cor_rec <- recipe(purchased ~ .,
                        data = leads_training) %>%

  step_corr(all_numeric(), threshold = 0.9)


leads_cor_rec

Data Recipe
Inputs:
      role #variables
   outcome          1
 predictor          6

Operations:
Correlation filter on all_numeric()

Antrenarea și aplicarea rețetei

Antrenare cu prep()
- Furnizați leads_training pentru antrenare
Aplicare cu bake()
- pages_per_visit eliminat din leads_test
- pages_per_visit va fi eliminat și din datele viitoare

leads_cor_rec %>% 

  prep(training = leads_training) %>% 

  bake(new_data = leads_test)

# A tibble: 332 x 6
total_visits total_time total_clicks ... purchased
    <dbl>       <dbl>        <dbl>   ...   <fct>
 1   8          100           24     ...    no
 2   4          1346          22     ...    yes
 3   3          176           27     ...    no
 4   2          16            12     ...    no
 5   9          1022          12     ...    yes
# ... with 327 more rows

Normalizare

Centrarea și scalarea variabilelor numerice

Scăderea mediei
Împărțirea la abaterea standard
Transformă datele în unități de abatere standard
- Variabila transformată va avea media 0 și abaterea standard 1

Variabila total_time din leads_training

1.273 de secunde pe site reprezintă 1,19 abateri standard față de timpul mediu petrecut de clienți

Exemplu de normalizare a variabilei timp total din datele de antrenare

Combinarea pașilor de preprocesare

Normalizarea predictorilor numerici cu recipes

step_normalize()
- Nume de coloane sau selectorul all_numeric()
- Mediile și abaterile standard din datele de antrenare sunt aplicate surselor de date noi

Mai multe funcții step_*() pot fi adăugate la o recipe

Ordinea contează

leads_norm_rec <- recipe(purchased ~ .,
                         data = leads_training) %>%

  step_corr(all_numeric(), threshold = 0.9) %>% 
  step_normalize(all_numeric())


leads_norm_rec

Data Recipe
Inputs:
      role #variables
   outcome          1
 predictor          6

Operations:
Correlation filter on all_numeric()
Centering and scaling for all_numeric()

Transformarea datelor de test

pages_per_vist este eliminat și predictorii numerici sunt normalizați

leads_norm_rec %>% 
  prep(training = leads_training) %>% 
  bake(new_data = leads_test)

# A tibble: 332 x 6
 total_visits  total_time  total_clicks  lead_source   us_location  purchased
      <dbl>      <dbl>        <dbl>        <fct>          <fct>      <fct>    
 1    0.864     -0.984     -0.360        direct_traffic   west        no       
 2   -0.151      1.33      -0.506        direct_traffic   northeast   yes      
 3   -0.405     -0.843     -0.140        organic_search   west        no       
 4   -0.659     -1.14      -1.24         email            midwest     no       
 5    1.12       0.725     -1.24         direct_traffic   west        yes           
# ... with 327 more rows

Să exersăm!

Modelare cu tidymodels în R