Numeriska prediktorer

Modellering med tidymodels i R

David Svancer

Data Scientist

Korrelerade prediktorvariabler

Korrelation mäter styrkan i ett linjärt samband mellan två numeriska variabler

Varierar mellan -1 och 1
Högt korrelerade prediktorer nära -1 eller 1
- Ger redundant information
- Skapar modelleringsproblem (multikollinearitet)

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')

Spridningsdiagram över totala klick jämfört med sidor per besök i lead scoring-data

Hitta korrelerade prediktorvariabler

Beräkna en korrelationsmatris

Skicka datamängden till funktionen select_if()
- Ange is.numeric som argument
Skicka vidare till funktionen 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

Bearbeta korrelerade prediktorer

Ta bort multikollinearitet med recipes

Skapa ett recipe-objekt med funktionen recipe()
Skicka vidare till step_corr()
- Lägg till alla numeriska kolumner
  - Kolumnnamn separerade med kommatecken
- Ange korrelationströskel threshold
  - Absolutvärde
  - En tröskel på 0,9 tar bort korrelationer på 0,9 eller mer och -0,9 eller mindre

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

Välj prediktorer efter typ

all_outcomes()
- Väljer utfallsvariabeln
all_numeric()
- Väljer alla numeriska variabler
  - Inkluderar utfallsvariabeln om den är numerisk

För att välja numeriska prediktorer till recipe-steg

Skicka all_numeric() till step_*()-funktioner
Om utfallsvariabeln är numerisk, skicka även -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()

Träna och tillämpa receptet

Träna med prep()
- Ange leads_training för träning
Tillämpa med bake()
- pages_per_visit tas bort från leads_test
- pages_per_visit tas också bort från all framtida data

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

Normalisering

Centrera och skala numeriska variabler

Subtrahera medelvärdet
Dividera med standardavvikelsen
Omvandlar data till standardavvikelseenheter
- Den transformerade variabeln får medelvärdet 0 och standardavvikelsen 1

Variabeln total_time i leads_training

Att tillbringa 1 273 sekunder på webbplatsen är 1,19 standardavvikelser över genomsnittstiden för kunderna

Exempel på normalisering av variabeln total_time från träningsdata för leads

Kombinera förbearbetningssteg

Normalisera numeriska prediktorer med recipes

step_normalize()
- Kolumnnamn eller selektorn all_numeric()
- Medelvärden och standardavvikelser från träningsdatakolumner tillämpas på nya datakällor

Flera step_*()-funktioner kan läggas till i ett recipe

Ordningen spelar roll

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()

Transformera testdata

pages_per_vist tas bort och numeriska prediktorer normaliseras

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

Nu kör vi en övning!

Modellering med tidymodels i R