Робота з предикторами з малою інформативністю

Machine Learning з пакетом caret в R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Змінні з нульовою (або низькою) дисперсією

Деякі змінні несуть мало інформації
- Константні (тобто без дисперсії)
- Майже константні (тобто з низькою дисперсією)
Легко, щоб у одному фолді CV вийшла константна колонка
- Це може зашкодити моделям
Зазвичай видаляють змінні з дуже низькою дисперсією

Приклад: константна колонка в mtcars

# Reproduce dataset from last video
data(mtcars)
set.seed(42)
mtcars[sample(1:nrow(mtcars), 10), "hp"] <- NA
Y <- mtcars$mpg
X <- mtcars[, 2:4]

# Add constant-valued column to mtcars
X$bad <- 1

Приклад: константна колонка в mtcars

# Try to fit a model with PCA + glm
model <- train(
  X, Y, method = "glm", 
  preProcess = c("center", "scale", "medianImpute", "pca"))

Warning in preProcess.default(thresh = 0.95, k = 5, method = c("medianImpute",  :
  These variables have zero variances: bad
Something is wrong; all the RMSE metric values are missing:
      RMSE        Rsquared  
 Min.   : NA   Min.   : NA  
 1st Qu.: NA   1st Qu.: NA  
 Median : NA   Median : NA  
 Mean   :NaN   Mean   :NaN  
 3rd Qu.: NA   3rd Qu.: NA  
 Max.   : NA   Max.   : NA  
 NA's   :1     NA's   :1

caret знову рятує

"zv" видаляє константні колонки
"nzv" видаляє майже константні колонки

# Have caret remove those columns during modeling
set.seed(42)
model <- train(
  X, Y, method = "glm", 
  preProcess = c("zv", "center", "scale", "medianImpute", "pca")
)
min(model$results$RMSE)

3.402557

Давайте потренуємось!

Machine Learning з пакетом caret в R