Анализ данных, лабораторная работа №2 “Работа с пакетами CARET и BORUTA на языке R”
Никитин Александр 221-374
10.04.2025
Анализ данных, лабораторная работа №2 “Работа с пакетами CARET и BORUTA на языке R”
Задание №1
Задание:
Установить пакет CARET, выполнить команду names(getModelInfo()), ознакомиться со списком доступных методов выбора признаков. Выполнить графический разведочный анализ данных с использованием функции featurePlot() для набора данных из справочного файла пакета CARET: x <- matrix(rnorm(50*5),ncol=5), y <- factor(rep(c(“A”, “B”), 25)). Сохранить полученные графики в формате .jpg. Сделать выводы.
Выполнение задания:
options(repos = "https://cran.r-project.org/")install.packages("caret")## Устанавливаю пакет в 'C:/Users/Frozin/AppData/Local/R/win-library/4.5'
## (потому что 'lib' не определено)## пакет 'caret' успешно распакован, MD5-суммы проверены
##
## Скачанные бинарные пакеты находятся в
## C:\Users\Frozin\AppData\Local\Temp\Rtmpkhiraa\downloaded_packageslibrary(caret)## Загрузка требуемого пакета: ggplot2## Загрузка требуемого пакета: latticenames(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"set.seed(987)
x <- matrix(rnorm(50*5), ncol=5)
y <- factor(rep(c("A", "B"), 25))featurePlot(x = x, y = y, plot = "pairs")
jpeg("featurePlot_pairs.jpg")
featurePlot(x = x, y = y, plot = "pairs")
dev.off()## png
## 2featurePlot(x = x, y = y, plot = "density")
jpeg("featurePlot_density.jpg")
featurePlot(x = x, y = y, plot = "density")
dev.off()## png
## 2featurePlot(x = x, y = y, plot = "box")
jpeg("featurePlot_box.jpg")
featurePlot(x = x, y = y, plot = "box")
dev.off()## png
## 2Вывод:
График pairs показывает попарные зависимости между признаками. График density отображает распределение значений признаков для каждого класса. График box позволяет визуализировать распределение данных по классам.
Задание №2
Задание:
С использованием функций из пакета Fselector определить важность признаков для решения задачи классификации. Использовать набор data(iris). Сделать выводы.
Выполнение задания:
install.packages("FSelector")## Устанавливаю пакет в 'C:/Users/Frozin/AppData/Local/R/win-library/4.5'
## (потому что 'lib' не определено)## пакет 'FSelector' успешно распакован, MD5-суммы проверены
##
## Скачанные бинарные пакеты находятся в
## C:\Users\Frozin\AppData\Local\Temp\Rtmpkhiraa\downloaded_packageslibrary(FSelector)data(iris)
weights <- information.gain(Species ~ ., data = iris)
print(weights)## attr_importance
## Sepal.Length 0.4521286
## Sepal.Width 0.2672750
## Petal.Length 0.9402853
## Petal.Width 0.9554360Вывод:
Функция information.gain позволяет определить важность признаков для задачи классификации. Результаты показывают, какие признаки наиболее информативны для разделения классов. В данном случае высший показатель важности у Petal.Width, а наименьший у Sepal.Width.
Задание №3
Задание:
С использованием функции discretize() из пакета arules выполните преобразование непрерывной переменной в категориальную различными методами: - «interval» (равная ширина интервала), - «frequency» (равная частота), - «cluster» (кластеризация), - «fixed» (категории задают границы интервалов). Используйте набор данных iris. Сделайте выводы.
Выполнение задания:
install.packages("arules")## Устанавливаю пакет в 'C:/Users/Frozin/AppData/Local/R/win-library/4.5'
## (потому что 'lib' не определено)## пакет 'arules' успешно распакован, MD5-суммы проверены
##
## Скачанные бинарные пакеты находятся в
## C:\Users\Frozin\AppData\Local\Temp\Rtmpkhiraa\downloaded_packageslibrary(arules)## Загрузка требуемого пакета: Matrix##
## Присоединяю пакет: 'arules'## Следующие объекты скрыты от 'package:base':
##
## abbreviate, writedata(iris)
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)
iris$Sepal.Length_fixed <-
discretize(iris$Sepal.Length, method = "fixed", breaks = c(-Inf, 5, 6, Inf))
print(head(iris))## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
## Sepal.Length_interval Sepal.Length_frequency Sepal.Length_cluster
## 1 [4.3,5.5) [4.3,5.4) [4.3,5.63)
## 2 [4.3,5.5) [4.3,5.4) [4.3,5.63)
## 3 [4.3,5.5) [4.3,5.4) [4.3,5.63)
## 4 [4.3,5.5) [4.3,5.4) [4.3,5.63)
## 5 [4.3,5.5) [4.3,5.4) [4.3,5.63)
## 6 [4.3,5.5) [5.4,6.3) [4.3,5.63)
## Sepal.Length_fixed
## 1 [5,6)
## 2 [-Inf,5)
## 3 [-Inf,5)
## 4 [-Inf,5)
## 5 [5,6)
## 6 [5,6)Вывод:
Метод interval: Интервалы равной ширины: [4.3,5.5), [5.5,6.7), [6.7,7.9). Результат: большинство значений попадают в первый интервал [4.3,5.5). Метод прост, но может быть неэффективен, если данные распределены неравномерно.
Метод frequency: Интервалы с равным количеством наблюдений: [4.3,5.4), [5.4,6.3), [6.3,7.9). Результат: значения распределены более равномерно по интервалам. Метод полезен, если важно сохранить равное количество наблюдений в каждом интервале.
Метод cluster: Интервалы на основе кластеризации: [4.3,5.33), [5.33,6.27), [6.27,7.9). Результат: интервалы адаптированы под структуру данных. Метод учитывает распределение данных, что делает его более гибким.
Метод fixed: Интервалы с заданными границами: [-Inf,5), [5,6), [6,Inf). Результат: значения распределены в соответствии с заданными границами. Метод полезен, если есть априорные знания о значимых границах интервалов.
Задание №4
Задание:
Установите пакет Boruta и проведите выбор признаков для набора данных data(“Ozone”). Построить график boxplot, сделать выводы.
Выполнение задания:
install.packages("Boruta")## Устанавливаю пакет в 'C:/Users/Frozin/AppData/Local/R/win-library/4.5'
## (потому что 'lib' не определено)## пакет 'Boruta' успешно распакован, MD5-суммы проверены
##
## Скачанные бинарные пакеты находятся в
## C:\Users\Frozin\AppData\Local\Temp\Rtmpkhiraa\downloaded_packagesinstall.packages("mlbench")## Устанавливаю пакет в 'C:/Users/Frozin/AppData/Local/R/win-library/4.5'
## (потому что 'lib' не определено)## пакет 'mlbench' успешно распакован, MD5-суммы проверены
##
## Скачанные бинарные пакеты находятся в
## C:\Users\Frozin\AppData\Local\Temp\Rtmpkhiraa\downloaded_packageslibrary(Boruta)
library(mlbench)data("Ozone")
Ozone <- na.omit(Ozone)
boruta_output <- Boruta(Ozone$V4 ~ ., data = Ozone, doTrace = 2)## 1. run of importance source...## 2. run of importance source...## 3. run of importance source...## 4. run of importance source...## 5. run of importance source...## 6. run of importance source...## 7. run of importance source...## 8. run of importance source...## 9. run of importance source...## 10. run of importance source...## 11. run of importance source...## After 11 iterations, +0.76 secs:## confirmed 10 attributes: V1, V10, V11, V12, V13 and 5 more;## rejected 2 attributes: V2, V3;## still have 1 attribute left.## 12. run of importance source...## 13. run of importance source...## 14. run of importance source...## 15. run of importance source...## 16. run of importance source...## 17. run of importance source...## 18. run of importance source...## After 18 iterations, +1.2 secs:## rejected 1 attribute: V6;## no more attributes left.print(boruta_output)## Boruta performed 18 iterations in 1.19053 secs.
## 10 attributes confirmed important: V1, V10, V11, V12, V13 and 5 more;
## 3 attributes confirmed unimportant: V2, V3, V6;boxplot(Ozone$V4 ~ Ozone$V1,
main="Boxplot of Ozone levels by V1", xlab="V1", ylab="Ozone")
Вывод:
Пакет Boruta помогает определить наиболее важные признаки для задачи классификации. График boxplot позволяет визуализировать распределение данных по категориям.