R语言caret包的学习（一）--数据预处理-CSDN博客

本文介绍了R语言caret包在数据预处理中的应用，包括创建虚拟变量（model.matrix()，dummyVars()）、识别和处理零方差及近似零方差特征变量、发现相关特征以及使用preProcess函数进行数据转换。caret包提供了丰富的函数，如findCorrelation()和nearZeroVar()，用于优化数据质量，提高模型性能。

caret包（Classification and Regression Training）是一系列函数的集合，它试图对创建预测模型的过程进行流程化。本系列将就数据预处理、特征选择、抽样、模型调参等进行介绍学习。

本文将就caret包中的数据预处理部分进行介绍学习。主要包括以下函数：model.matrix()，dummyVars()，nearZeroVar()，findCorrelation()，findLinearCombos()，preProcess()，classDist()，featurePlot()

创建虚拟变量

创建虚拟变量的两个主要函数：model.matrix ， dummyVars

model.matrix()

model.matrix(object, data = environment(object), contrasts.arg = NULL, xlev = NULL, ...)

其实，主要参数为object，一个公式；data就是引用的数据咯

这里，式子中 ~后可以理解为要展开的数据（其实也可以有只有一个因子水平的数据，从而便于在展开数据的同时，cbind其他列的数据，从而得到接下来分析用到的数据），结果返回的是matrix类型

如上所示，有3个因子水平的a被展开成2列，其他一列被省掉，减少了多重共线性的困扰。但是，没搞明白，intercept是怎么得出来的？？？？？

dummyVars()

dummyVars(formula, data, sep = ".", levelsOnly = FALSE, fullRank = FALSE, ...)

其用法跟model.matrix差不多，主要参数依旧是formula和data

不同的是

可以看出两点不同了：1. 需要调用predict函数才能显示矩阵 2. 是对所有level进行展开

此外，dummyVars还可以生成交互的展开

当然，还可以通过 sep = ";" 将a;1的形式， levelsOnly = TRUE 将a.1改成1, 但a.1:b.1改成1:1 不行报错情理之中，因为这样1：1的话就没有辨识度了，只有level是唯一不重复的，才可以如愿。

注意：因为dummyVars展开的没有截距(intercept)，并且每个因子水平都有对应的虚拟变量，所以这些参数对于某些模型可能是不可用的，例如lm等

零方差和近似零方差特征变量

识别清除近似零方差的特征变量的原因：

在某些情况下，数据产生机制只创建具有单一值的特征变量（例如零方差特征变量）。这对于大多数模型（不包括树模型）来说，这可能造成模型的破坏，或者数据拟合的不稳定。
同样的，特征变量中可能有一些出现频率非常低的唯一值，当这样的数据使用交叉验证（cross-validation）或自助法（bootstrap）抽样或一些样本可能对模型有过度影响的时候，这些特征变量可能变成零方差的特征变量

识别此种特征变量的方法：

最大频率数值的频数比上第二频率数值的频数（称作频数比率（frequency ratio）），对于平衡的特征变量其值接近1，对于高度不平衡的数据其值会非常大
唯一值比例就是唯一值的个数除以样本的总数再乘以100，它随着数据粒度的增大而几近于0。

如果频数比率大于预先设定的阈值，并且唯一值的比例小于一个阈值，我们可以认为这个特征变量为近似零方差。

caret包中提供了函数：nearZeroVar()

nearZeroVar(x, freqCut = 95/5, uniqueCut = 10, saveMetrics = FALSE, names = FALSE, foreach = FALSE, allowParallel = TRUE)

参数解释：

x 是一个数值型向量、矩阵或data frame，freqCut是频数比率阈值，uniqueCut是唯一值比例阈值
saveMetrics是一个逻辑值，false时返回的是近零特征的位置，true时，返回特征信息的data frame
name 逻辑值，false时，返回列的索引，true时返回列的名字
foreach 是否调用foreach包，若为ture，将使用更少的内存
allowPatallel 是否通过foreach包进行并行计算，若为true，将占用更多内存，但执行时间更短

返回的参数解释：

freqRatio 频数比率 percentUnique 唯一值比率 zeroVar 是否仅有一个值 nzv 是否是近零方差特征

清除近零方差特征变量：

识别相关的特征变量

有些模型依赖与相关的特征变量（像偏最小二乘法(pls,partial least-squares regression)），而有些模型能够得益于变量之间的相关性减少。

findCorrelation(x, cutoff = 0.9, verbose = FALSE, names = FALSE, exact = ncol(x) < 100)

参数解释：

x 是一个相关性矩阵
cutoff 是相关性绝对值的阈值
verbose 是否显示details
names 是否返回列名。false时，返回列的索引
exact 逻辑值，平均相关性是否在每一步重新计算。当维数比较大时，exact calculations将清除更少的特征，且比较慢

线性相关性

函数findLinearCombos使用QR分解来枚举线性组合的集合（如果存在的话）

findLinearCombos(x) 只有一个参数x,x是一个数值矩阵

返回一个列表，含有两项：

linearCombos 若有线性相关的，显示列索引向量
remove 为去除线性相关性，应去除的列索引

preProcess函数

preProcess函数可以对特征变量施行很多操作，包括中心化和标准化。preProcess函数每次操作都估计所需要的参数，并且由predict.preProcess 应用于指定的数据集。

preProcess(x, method = c("center", "scale"), thresh = 0.95,     
                pcaComp = NULL, na.remove = TRUE, k = 5, 
                knnSummary = mean, outcome = NULL, fudge = 0.2, 
                numUnique = 3, verbose = FALSE, freqCut = 95/5, 
                uniqueCut = 10, cutoff = 0.9, ...)

x 是一个矩阵或数据框。非数值型的变量是被允许的，但是将被忽略

method 处理类型的字符串向量。常见的几种如下：

center 中心化，即减去自变量的平均值
scale 标准化，即除以自变量的标准差，变换后值域为[0,1]。如果新样本值大于或小于训练集中值，则值将超出此范围。
BoxCox 变换，用于自变量，简单，与幂变换一样有效
YeoJohnson 与BoxCox 变换相似，但是它的自变量可以是0或负数，而BoxCox只能是正数
expoTrans 指数变换（exponential transformations）也可以被用于正数或负数
zv 识别并清除掉只含有一个值的数值型自变量
nzv 相当于应用nearZeroVar，清除近零方差的自变量
corr 寻找并过滤掉具有高相关性的自变量，参见findCorrelation

这些方法的运行顺序是：zero-variance filter, near-zero variance filter, correlation filter, Box-Cox/Yeo-Johnson/exponential transformation, centering, scaling, range, imputation, PCA, ICA then spatial sign.

thresh PCA的累积方差比