Лабораторная работа 2
Антон Кондратьев
library(caret)## Загрузка требуемого пакета: ggplot2## Загрузка требуемого пакета: latticelibrary(FSelector)
library(arules)## Загрузка требуемого пакета: Matrix##
## Присоединяю пакет: 'arules'## Следующие объекты скрыты от 'package:base':
##
## abbreviate, writelibrary(Boruta)
library(mlbench)Просмотр моделей из caret
models <- names(getModelInfo())
print(models)## [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"Комментарий:
С помощью caret можно использовать много разных моделей машинного
обучения. Эта команда показывает все доступные. Их действительно много —
от простых до сложных.
Построение графиков признаков
set.seed(123)
x <- matrix(rnorm(50*5), ncol=5)
colnames(x) <- paste0("Feature", 1:5)
x <- as.data.frame(x)
y <- factor(rep(c("A", "B"), 25))
featurePlot(x, y, plot = "density",
scales = list(x = list(relation = "free"),
y = list(relation = "free")))
Комментарий:
Здесь создаются случайные данные и строятся графики. Мы можем увидеть,
как распределяются значения признаков у двух классов. Там, где они
меньше перекрываются — признак лучше разделяет классы.
Оценка важности признаков в iris
data(iris)
weights <- information.gain(Species ~ ., data = iris)
weights[order(-weights$attr_importance), , drop=FALSE]## attr_importance
## Petal.Width 0.9554360
## Petal.Length 0.9402853
## Sepal.Length 0.4521286
## Sepal.Width 0.2672750Комментарий:
Проверяем, какие признаки важнее всего для распознавания вида ириса.
Самыми значимыми оказались длина и ширина лепестка — это ожидаемо и
логично.
Дискретизация переменной Sepal.Length
interval_disc <- discretize(iris$Sepal.Length, method = "interval", categories = 3)## Warning in discretize(iris$Sepal.Length, method = "interval", categories = 3):
## Parameter categories is deprecated. Use breaks instead! Also, the default
## method is now frequency!frequency_disc <- discretize(iris$Sepal.Length, method = "frequency", categories = 3)## Warning in discretize(iris$Sepal.Length, method = "frequency", categories = 3):
## Parameter categories is deprecated. Use breaks instead! Also, the default
## method is now frequency!cluster_disc <- discretize(iris$Sepal.Length, method = "cluster", categories = 3)## Warning in discretize(iris$Sepal.Length, method = "cluster", categories = 3):
## Parameter categories is deprecated. Use breaks instead! Also, the default
## method is now frequency!fixed_disc <- discretize(iris$Sepal.Length, method = "fixed", breaks = c(4, 5.5, 6.5, 8))
list(
interval = table(interval_disc),
frequency = table(frequency_disc),
cluster = table(cluster_disc),
fixed = table(fixed_disc)
)## $interval
## interval_disc
## [4.3,5.5) [5.5,6.7) [6.7,7.9]
## 52 70 28
##
## $frequency
## frequency_disc
## [4.3,5.4) [5.4,6.3) [6.3,7.9]
## 46 53 51
##
## $cluster
## cluster_disc
## [4.3,5.42) [5.42,6.39) [6.39,7.9]
## 52 56 42
##
## $fixed
## fixed_disc
## [4,5.5) [5.5,6.5) [6.5,8]
## 52 63 35Комментарий:
Один и тот же столбец из iris разбиваем на категории разными способами.
Где-то интервалы равные, где-то одинаковое число значений, а где-то
используется кластеризация. Каждый способ подходит под разные
задачи.
Отбор признаков с помощью Boruta
data("Ozone")
ozone <- na.omit(Ozone)
set.seed(123)
boruta_result <- Boruta(V4 ~ ., data = ozone, doTrace = 0)
plot(boruta_result, las = 2, cex.axis = 0.7)
Комментарий:
Алгоритм Boruta помогает определить, какие признаки реально важны, а
какие нет. Он сравнивает их с искусственно созданным “шумом” и
показывает, на что стоит обращать внимание при построении модели.
Итоги
В этой работе я попробовал несколько методов анализа признаков:
- построение графиков;
- оценка важности;
- преобразование признаков (дискретизация);
- автоматический отбор.
Теперь понятно, как можно оценить, какие признаки полезны, а какие — лишние.