Что такое конструирование признаков?

Конструирование признаков в R

Jorge Zazueta

Research Professor and Head of the Modeling Group at the School of Economics, UASLP

Что такое конструирование признаков?

Конструирование признаков — это искусство и наука

создания,
преобразования,
извлечения и
отбора

переменных для улучшения качества и интерпретируемости модели.

Высота объекта как функция времени

# A tibble: 100 × 2
    time height
   <dbl>  <dbl>
 1 0       0   
 2 0.101   3.85
 3 0.202  17.7 
 4 0.303  15.1 
 5 0.404  20.0 
 6 0.505  32.6 
 7 0.606  30.8 
 8 0.707  26.6 
 9 0.808  33.8 
10 0.909  39.2 
# ... with 90 more rows
# ℹ Use `print(n = ...)` to see more rows

Зачем конструировать признаки?

Построим простую регрессионную модель высоты

lr_height <- lm(height ~ time,
                data = height)

и визуально оценим её точность на графике.

df <- height %>% 
bind_cols(lr_pred = predict(lr_height))

df %>%
  ggplot(aes(x = time, y = height)) +
  geom_point() +
  geom_line(aes(y = lr_pred), 
            color = "blue", lwd = .75)+
    theme_classic()

Модель совершенно не отражает данные!

Линейная регрессия высоты относительно времени.

Линейная регрессия высоты относительно времени, демонстрирующая плохое качество подгонки.

Использование mutate()

Высота объекта описывается параболической траекторией по формуле:

$y(t) = y_0 + v_0t - \frac{g}{2}t^2$.

Здесь $y$ — высота объекта в момент времени $t$, а $y_0$, $v_0$ и $g$ — начальная высота, скорость и ускорение свободного падения соответственно.

Можно подогнать модель, учитывая зависимость высоты как от времени, так и от его квадрата.

mutate() принимает датафрейм первым аргументом и определение нового столбца, который нужно добавить.

df_2 <- df %>% mutate(time_2 = time^2)

# A tibble: 100 × 4
    time height lr_pred time_2
   <dbl>  <dbl>   <dbl>  <dbl>
 1 0       0       80.8 0     
 2 0.101   3.85    80.9 0.0102
 3 0.202  17.7     81.0 0.0408
 4 0.303  15.1     81.1 0.0918

Прогноз с использованием нового признака

Построим новую регрессионную модель, используя новый признак вместе с исходным.

lr_height_2 <- 
lm(height ~ time + time_2, data = df_2)

Визуализируем новый прогноз.

df_2 <- df_2 %>%
    bind_cols(lr2_pred = predict(lr_height_2))
df_2 %>%
  ggplot(aes(x = time, y = height)) +
  geom_point() +
  geom_line(aes(y = lr2_pred), 
      col = "blue", lwd = .75) +
  theme_classic()

Впечатляющее улучшение — и без смены модели.

Высота относительно time и time_2

Давайте потренируемся!

Конструирование признаков в R