Principalkomponentanalys (PCA)

Maskininlärning med caret i R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Principalkomponentanalys

Kombinerar variabler med låg varians och korrelerade variabler
En uppsättning prediktorer med hög varians och rätvinkliga axlar
Förhindrar multikollinearitet (dvs. korrelation mellan prediktorer)

PCA: en visuell representation

Första komponenten har högst varians
Andra komponenten har näst högst varians
Och så vidare ...

Exempel: blod-hjärna-data

Många prediktorer
Flera med låg varians

# 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"

Exempel: blod-hjärna-data

# 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

Exempel: blod-hjärna-data

# 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

Exempel: blod-hjärna-data

# 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

Nu kör vi en övning!

Maskininlärning med caret i R