Задание 1: Работа с пакетом CARET
# Установка пакета caret
install.packages("caret")
## Устанавливаю пакет в 'C:/Users/rar22/AppData/Local/R/win-library/4.4'
## (потому что 'lib' не определено)
## пакет 'caret' успешно распакован, MD5-суммы проверены
## Warning: не могу удалить прежнюю установку пакета 'caret'
## Warning in file.copy(savedcopy, lib, recursive = TRUE): проблема с копированием
## C:\Users\rar22\AppData\Local\R\win-library\4.4\00LOCK\caret\libs\x64\caret.dll
## в C:\Users\rar22\AppData\Local\R\win-library\4.4\caret\libs\x64\caret.dll:
## Permission denied
## Warning: восстановлен 'caret'
##
## Скачанные бинарные пакеты находятся в
## C:\Users\rar22\AppData\Local\Temp\RtmpQ7PumA\downloaded_packages
library(caret)
## Warning: пакет 'caret' был собран под R версии 4.4.3
## Загрузка требуемого пакета: ggplot2
## Загрузка требуемого пакета: lattice
# Список доступных методов
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"
# Генерация данных
set.seed(123)
x <- matrix(rnorm(50 * 5), ncol = 5)
y <- factor(rep(c("A", "B"), 25))
# Установка рабочей директории
setwd("C:/6sem/DataAnalisis/2/")
# Графический анализ
featurePlot(x, y, plot = "pairs")
# Сохранение графика
jpeg("C:/6sem/DataAnalisis/2/feature_plot.jpg")
featurePlot(x, y, plot = "pairs")
dev.off()
## png
## 2
Задание 2: Определение важности признаков с FSelector
# Установка пакета FSelector
install.packages("FSelector")
## Устанавливаю пакет в 'C:/Users/rar22/AppData/Local/R/win-library/4.4'
## (потому что 'lib' не определено)
## пакет 'FSelector' успешно распакован, MD5-суммы проверены
##
## Скачанные бинарные пакеты находятся в
## C:\Users\rar22\AppData\Local\Temp\RtmpQ7PumA\downloaded_packages
library(FSelector)
## Warning: пакет 'FSelector' был собран под R версии 4.4.3
# Загрузка данных
data(iris)
# Оценка важности признаков
weights <- information.gain(Species ~ ., iris)
print(weights)
## attr_importance
## Sepal.Length 0.4521286
## Sepal.Width 0.2672750
## Petal.Length 0.9402853
## Petal.Width 0.9554360
# Визуализация
barplot(weights$attr_importance, names.arg = rownames(weights), las = 2, col = "blue", main = "Feature Importance")
# Сохранение графика
jpeg("C:/6sem/DataAnalisis/2/feature_importance.jpg")
barplot(weights$attr_importance, names.arg = rownames(weights), las = 2, col = "blue", main = "Feature Importance")
dev.off()
## png
## 2
Задание 3: Дискретизация с arules
# Установка пакета arules
install.packages("arules")
## Устанавливаю пакет в 'C:/Users/rar22/AppData/Local/R/win-library/4.4'
## (потому что 'lib' не определено)
## пакет 'arules' успешно распакован, MD5-суммы проверены
## Warning: не могу удалить прежнюю установку пакета 'arules'
## Warning in file.copy(savedcopy, lib, recursive = TRUE): проблема с копированием
## C:\Users\rar22\AppData\Local\R\win-library\4.4\00LOCK\arules\libs\x64\arules.dll
## в C:\Users\rar22\AppData\Local\R\win-library\4.4\arules\libs\x64\arules.dll:
## Permission denied
## Warning: восстановлен 'arules'
##
## Скачанные бинарные пакеты находятся в
## C:\Users\rar22\AppData\Local\Temp\RtmpQ7PumA\downloaded_packages
library(arules)
## Warning: пакет 'arules' был собран под R версии 4.4.3
## Загрузка требуемого пакета: Matrix
##
## Присоединяю пакет: 'arules'
## Следующие объекты скрыты от 'package:base':
##
## abbreviate, write
# Загрузка данных
data(iris)
# Дискретизация
iris$Sepal.Length.interval <- discretize(iris$Sepal.Length, method = "interval", breaks = 3)
iris$Sepal.Length.frequency <- discretize(iris$Sepal.Length, method = "frequency", breaks = 3)
iris$Sepal.Length.cluster <- discretize(iris$Sepal.Length, method = "cluster", breaks = 3)
# Вывод таблиц
table(iris$Sepal.Length.interval)
##
## [4.3,5.5) [5.5,6.7) [6.7,7.9]
## 52 70 28
table(iris$Sepal.Length.frequency)
##
## [4.3,5.4) [5.4,6.3) [6.3,7.9]
## 46 53 51
table(iris$Sepal.Length.cluster)
##
## [4.3,5.45) [5.45,6.46) [6.46,7.9]
## 52 63 35
Задание 4: Выбор признаков с Boruta
# Установка пакетов
install.packages("Boruta")
## Устанавливаю пакет в 'C:/Users/rar22/AppData/Local/R/win-library/4.4'
## (потому что 'lib' не определено)
## пакет 'Boruta' успешно распакован, MD5-суммы проверены
##
## Скачанные бинарные пакеты находятся в
## C:\Users\rar22\AppData\Local\Temp\RtmpQ7PumA\downloaded_packages
install.packages("mlbench")
## Устанавливаю пакет в 'C:/Users/rar22/AppData/Local/R/win-library/4.4'
## (потому что 'lib' не определено)
## пакет 'mlbench' успешно распакован, MD5-суммы проверены
## Warning: не могу удалить прежнюю установку пакета 'mlbench'
## Warning in file.copy(savedcopy, lib, recursive = TRUE): проблема с копированием
## C:\Users\rar22\AppData\Local\R\win-library\4.4\00LOCK\mlbench\libs\x64\mlbench.dll
## в C:\Users\rar22\AppData\Local\R\win-library\4.4\mlbench\libs\x64\mlbench.dll:
## Permission denied
## Warning: восстановлен 'mlbench'
##
## Скачанные бинарные пакеты находятся в
## C:\Users\rar22\AppData\Local\Temp\RtmpQ7PumA\downloaded_packages
library(Boruta)
## Warning: пакет 'Boruta' был собран под R версии 4.4.3
library(mlbench)
## Warning: пакет 'mlbench' был собран под R версии 4.4.3
# Загрузка данных
data("Ozone")
df <- Ozone[, 4:6]
df_complete <- na.omit(df)
target_complete <- Ozone$V1[complete.cases(df)]
# Выбор признаков с Boruta
set.seed(123)
boruta_result <- Boruta(df_complete, target_complete, 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...
## After 9 iterations, +1.1 secs:
## confirmed 3 attributes: V4, V5, V6;
## no more attributes left.
print(boruta_result)
## Boruta performed 9 iterations in 1.134264 secs.
## 3 attributes confirmed important: V4, V5, V6;
## No attributes deemed unimportant.
# Визуализация
plot(boruta_result, las = 2, main = "Значимость признаков Boruta")
# Сохранение графика
jpeg("C:/6sem/DataAnalisis/2/boruta_plot.jpg")
plot(boruta_result, las = 2, main = "Значимость признаков Boruta")
dev.off()
## png
## 2