Flera förbehandlingsmetoder

Maskininlärning med caret i R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

preProcess – en bred verktygslåda

Det finns mycket mer än median- eller knn-imputering!
Kedja ihop flera förbehandlingssteg
Vanligt "recept" för linjära modeller (ordningen spelar roll!)
- Medianimputering ⇒ centrera ⇒ skala ⇒ anpassa glm
Se ?preProcess för mer information

Exempel: förbehandling av 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

Exempel: förbehandling av 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

Exempel: förbehandling av 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

Snabbguide för förbehandling

Börja med medianimputering
Prova KNN-imputering om data saknas på ett icke-slumpmässigt sätt
För linjära modeller ...
- Centrera och skala
- Prova PCA och spatial sign
Trädbaserade modeller kräver lite förbehandling

Nu kör vi en övning!

Maskininlärning med caret i R