Лабораторная работа №2. Работа с пакетами CARET и BORUTA на языке R
Козенко А.Д. 221-371
2025-03-24
Установка и загрузка пакетов:
library(caret)
library(lattice)
library(FSelector)
library(arules)
library(mlbench)
library(Boruta)Задание 1: Пакет caret и графический анализ данных
Пакет caret предоставляет инструменты для предобработки данных, выбора признаков и построения моделей машинного обучения.
После его утсановки и загрузки просмотрим доступные методы выбора признаков:
names(getModelInfo())## [1] "ada" "AdaBag" "AdaBoost.M1"
## [4] "adaboost" "amdai" "ANFIS"
## [7] "avNNet" "awnb" "awtan"
## [10] "bag" "bagEarth" "bagEarthGCV"
## [13] "bagFDA" "bagFDAGCV" "bam"
## [16] "bartMachine" "bayesglm" "binda"
## [19] "blackboost" "blasso" "blassoAveraged"
## [22] "bridge" "brnn" "BstLm"
## [25] "bstSm" "bstTree" "C5.0"
## [28] "C5.0Cost" "C5.0Rules" "C5.0Tree"
## [31] "cforest" "chaid" "CSimca"
## [34] "ctree" "ctree2" "cubist"
## [37] "dda" "deepboost" "DENFIS"
## [40] "dnn" "dwdLinear" "dwdPoly"
## [43] "dwdRadial" "earth" "elm"
## [46] "enet" "evtree" "extraTrees"
## [49] "fda" "FH.GBML" "FIR.DM"
## [52] "foba" "FRBCS.CHI" "FRBCS.W"
## [55] "FS.HGD" "gam" "gamboost"
## [58] "gamLoess" "gamSpline" "gaussprLinear"
## [61] "gaussprPoly" "gaussprRadial" "gbm_h2o"
## [64] "gbm" "gcvEarth" "GFS.FR.MOGUL"
## [67] "GFS.LT.RS" "GFS.THRIFT" "glm.nb"
## [70] "glm" "glmboost" "glmnet_h2o"
## [73] "glmnet" "glmStepAIC" "gpls"
## [76] "hda" "hdda" "hdrda"
## [79] "HYFIS" "icr" "J48"
## [82] "JRip" "kernelpls" "kknn"
## [85] "knn" "krlsPoly" "krlsRadial"
## [88] "lars" "lars2" "lasso"
## [91] "lda" "lda2" "leapBackward"
## [94] "leapForward" "leapSeq" "Linda"
## [97] "lm" "lmStepAIC" "LMT"
## [100] "loclda" "logicBag" "LogitBoost"
## [103] "logreg" "lssvmLinear" "lssvmPoly"
## [106] "lssvmRadial" "lvq" "M5"
## [109] "M5Rules" "manb" "mda"
## [112] "Mlda" "mlp" "mlpKerasDecay"
## [115] "mlpKerasDecayCost" "mlpKerasDropout" "mlpKerasDropoutCost"
## [118] "mlpML" "mlpSGD" "mlpWeightDecay"
## [121] "mlpWeightDecayML" "monmlp" "msaenet"
## [124] "multinom" "mxnet" "mxnetAdam"
## [127] "naive_bayes" "nb" "nbDiscrete"
## [130] "nbSearch" "neuralnet" "nnet"
## [133] "nnls" "nodeHarvest" "null"
## [136] "OneR" "ordinalNet" "ordinalRF"
## [139] "ORFlog" "ORFpls" "ORFridge"
## [142] "ORFsvm" "ownn" "pam"
## [145] "parRF" "PART" "partDSA"
## [148] "pcaNNet" "pcr" "pda"
## [151] "pda2" "penalized" "PenalizedLDA"
## [154] "plr" "pls" "plsRglm"
## [157] "polr" "ppr" "pre"
## [160] "PRIM" "protoclass" "qda"
## [163] "QdaCov" "qrf" "qrnn"
## [166] "randomGLM" "ranger" "rbf"
## [169] "rbfDDA" "Rborist" "rda"
## [172] "regLogistic" "relaxo" "rf"
## [175] "rFerns" "RFlda" "rfRules"
## [178] "ridge" "rlda" "rlm"
## [181] "rmda" "rocc" "rotationForest"
## [184] "rotationForestCp" "rpart" "rpart1SE"
## [187] "rpart2" "rpartCost" "rpartScore"
## [190] "rqlasso" "rqnc" "RRF"
## [193] "RRFglobal" "rrlda" "RSimca"
## [196] "rvmLinear" "rvmPoly" "rvmRadial"
## [199] "SBC" "sda" "sdwd"
## [202] "simpls" "SLAVE" "slda"
## [205] "smda" "snn" "sparseLDA"
## [208] "spikeslab" "spls" "stepLDA"
## [211] "stepQDA" "superpc" "svmBoundrangeString"
## [214] "svmExpoString" "svmLinear" "svmLinear2"
## [217] "svmLinear3" "svmLinearWeights" "svmLinearWeights2"
## [220] "svmPoly" "svmRadial" "svmRadialCost"
## [223] "svmRadialSigma" "svmRadialWeights" "svmSpectrumString"
## [226] "tan" "tanSearch" "treebag"
## [229] "vbmpRadial" "vglmAdjCat" "vglmContRatio"
## [232] "vglmCumulative" "widekernelpls" "WM"
## [235] "wsrf" "xgbDART" "xgbLinear"
## [238] "xgbTree" "xyf"Создадим матрицу случайных данных и вектор классов, затем проведем разведочный анализ данных с помощью featurePlot():
set.seed(123)
x <- matrix(rnorm(50 * 5), ncol = 5)
y <- factor(rep(c("A", "B"), 25))
df <- data.frame(x, y)
featurePlot(x = df[, 1:5], y = df$y, plot = "density")
Сохраним графики в .jpg:
jpeg("feature_plot.jpg")
featurePlot(x = df[, 1:5], y = df$y, plot = "density")
dev.off()## png
## 2Вывод: графический анализ показывает, как распределены значения признаков для каждого класса. Это позволяет выявить, какие признаки лучше разделяют классы, а какие могут быть менее информативными.
2. Важность признаков (FSelector)
Определим важность признаков для классификации в датасете
iris, information.gain вычисляет, насколько
каждый признак уменьшает неопределённость при классификации.
2.1 Оценка значимости признаков
data(iris)
weights <- information.gain(Species ~ ., iris)
print(weights)## attr_importance
## Sepal.Length 0.4521286
## Sepal.Width 0.2672750
## Petal.Length 0.9402853
## Petal.Width 0.95543602.2 Визуализация
barplot(weights$attr_importance, names.arg=rownames(weights), main="Важность признаков")
Вывод: наиболее значимыми характеристиками для классификации видов
ирисов являются размеры лепестка (Petal.Length и
Petal.Width). Признаки чашелистика
(Sepal.Length и Sepal.Width) менее
информативные.
3. Дискретизация переменной (arules)
Дискретизация позволяет преобразовать непрерывные переменные в категориальные для более простых моделей. Выполним дискретизацию переменной Sepal.Length в iris разными методами: «interval» (равная ширина интервала), «frequency» (равная частота), «cluster» (кластеризация) и «fixed» (категории задают границы интервалов).
3.1 Дискретизация признака Sepal.Length
iris$Sepal.Length_disc_int <- discretize(iris$Sepal.Length, method="interval", categories=3)## Warning in discretize(iris$Sepal.Length, method = "interval", categories = 3):
## Parameter categories is deprecated. Use breaks instead! Also, the default
## method is now frequency!iris$Sepal.Length_disc_freq <- discretize(iris$Sepal.Length, method="frequency", categories=3)## Warning in discretize(iris$Sepal.Length, method = "frequency", categories = 3):
## Parameter categories is deprecated. Use breaks instead! Also, the default
## method is now frequency!iris$Sepal.Length_disc_clust <- discretize(iris$Sepal.Length, method="cluster", categories=3)## Warning in discretize(iris$Sepal.Length, method = "cluster", categories = 3):
## Parameter categories is deprecated. Use breaks instead! Also, the default
## method is now frequency!iris$Sepal.Length_disc_fixed <- discretize(iris$Sepal.Length, method="fixed", breaks = c(4.3, 5.0, 6.0, 7.9))3.2 Анализ распределения
table(iris$Sepal.Length_disc_int)##
## [4.3,5.5) [5.5,6.7) [6.7,7.9]
## 52 70 28table(iris$Sepal.Length_disc_freq)##
## [4.3,5.4) [5.4,6.3) [6.3,7.9]
## 46 53 51table(iris$Sepal.Length_disc_clust)##
## [4.3,5.33) [5.33,6.27) [6.27,7.9]
## 46 53 51table(iris$Sepal.Length_disc_fixed)##
## [4.3,5) [5,6) [6,7.9]
## 22 61 67Вывод: метод interval полезен, когда нужно равномерное
разбиение. Frequency помогает, если важно, чтобы группы
содержали одинаковое количество наблюдений. Cluster полезен
для обнаружения естественных групп, а fixed – когда мы уже
знаем, какие границы категорий имеют смысл.
4. Выбор признаков (Boruta)
Boruta — это алгоритм отбора признаков, основанный на методе случайных лесов (Random Forest). Его цель — автоматически определить, какие признаки в наборе данных действительно важны, а какие — нет.
Проведем выбор наиболее значимых признаков на наборе данных Ozone. Целевой переменной (target) будет уровень загрязнения озоном (V4), а остальные переменные юудут рассматриваться как потенциальные факторы, влияющие на него:
4.1 Загрузка данных и обработка
data("Ozone", package="mlbench")
# Удаляем пропущенные значения
Ozone <- na.omit(Ozone)4.2 Запуск Boruta
set.seed(123)
boruta_result <- Boruta(V4 ~ ., data=Ozone, doTrace=2)## 1. run of importance source...## 2. run of importance source...## 3. run of importance source...## 4. run of importance source...## 5. run of importance source...## 6. run of importance source...## 7. run of importance source...## 8. run of importance source...## 9. run of importance source...## 10. run of importance source...## 11. run of importance source...## After 11 iterations, +0.71 secs:## confirmed 9 attributes: V1, V10, V11, V12, V13 and 4 more;## rejected 2 attributes: V3, V6;## still have 1 attribute left.## 12. run of importance source...## 13. run of importance source...## 14. run of importance source...## 15. run of importance source...## 16. run of importance source...## 17. run of importance source...## 18. run of importance source...## 19. run of importance source...## 20. run of importance source...## 21. run of importance source...## 22. run of importance source...## 23. run of importance source...## 24. run of importance source...## After 24 iterations, +1.5 secs:## rejected 1 attribute: V2;## no more attributes left.print(boruta_result)## Boruta performed 24 iterations in 1.466671 secs.
## 9 attributes confirmed important: V1, V10, V11, V12, V13 and 4 more;
## 3 attributes confirmed unimportant: V2, V3, V6;4.3 Визуализация результатов
plot(boruta_result, las = 2, cex.axis = 0.7, main = "Важность признаков")
Вывод: график показал, что некоторые переменные являются значимыми для предсказания уровня озона, а другие можно исключить.